｛“status”：“ok”，“message type”：“work”，“message version”：“1.0.0”，“message”：｛“indexed”：｛“date parts”：[[2024,5,17]，“date time”：“2024-05-17T05:57:09Z”，“timestamp”：1715925429009｝，“publisher location”：“Cham”，“reference count”：39，“publisher”：“Springer International Publishing”，“isbn type”：[｛“value”：“9783030801250”，“type”：“print”｝，｛“value”：“9783030801267”，“type”：“electronic”｝]，“license”：[｛“start”：｛“date parts”：[[2021,1,1]]，“date-time”：“2021-01-01T00:00:00Z”，“timestamp”：1609459200000｝，“content-version”：“tdm”，“delay in days”：0，“URL”：“https://www.springer.com\/tdm”｝，｛“start”：｛“date parts”：[[2021,1,1]]，“date-time”：“2021-01T00:00:00Z”，“timestamp”：1609459200000｝，“内容版本”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com\/tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2021]]}，”DOI“：”10.1007\/978-3-030-80126-7_35“，”类型“：”book-chapter“，”创建“：{”date-part“：[[2021,7,6]]，“日期-时间”：“2021-07-06T11:11:23Z”，“时间戳”：1625569883000}，“页面”：“473-491”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“Crossref”，”is-referenced-by-count“：5，”title“：[”深度学习应用程序的分层Roofline性能分析“]，”prefix“：”10.1007“，”author“：[{”given“：”Charlene“，”family“：”Yang“，”sequence“：”first“，”affiliation“：[]}，{“given”：“Yunsong”，“family”：“Wang”，“sequence”：“additional”，“affiliation”：[]neneneep，{”given“：”Thorsten“，”family“：”Kurth“，”sequence“：”additional“，”affiliance“：[]{”fixed“：”Steven]，“成员”：“297”，“published-online”：{“date-parts”：[[2021,7,7]]}，“reference”：[{“key”：“35_CR1”，“unstructured”：“apex.amp.2020年10月15日访问”}，{“键”：“35 _CR2”，“非结构化”：“CUDA C++wmma API”}、{“密钥”：“35.CR3”、“非结构化的”：“CUDA cuBLAS库”}：“35_CR5”，“非结构化”：“TensorFlow的确定性分析”}，{“key”：“35_CR6”，“unstructured”：“经验Roofline Toolkit（ERT）。于2020年10月15日访问”}，{“key”：“35_CR10”，“unstructured”：“NVIDIA CUPTI API reference guide”}，{“密钥”：“35 _CR11”，“非结构化”：“恩维迪亚开发人员工具概述。2020年10月15日访问”}，“非结构化”：“NVIDIA GPU上的Roofline方法”}，{“key”：“35_CR15”，“doi-asserted-by”：“crossref”，“非结构”：“Chen，L.-C.，Zhu，Y.，Papandreou，G.，Schroff，F.，Adam，H.：用于语义图像分割的带atrous可分离卷积的编码器-解码器。摘自：《欧洲计算机视觉会议论文集》，2018年9月。”，“DOI”：“10.1007\/978-3-030-01234-2_49”}，{“key”：“35_CR16”，“unstructured”：“Chetlur，S.，et al.：cuDNN:深度学习的有效原语。arXiv预印本arXiv:1410.0759（2014）”}、{“key”：《35_CR17》，“DOI-asserted-by”：“crossref”，“非结构化”：“Choi，J.W.，Bedard，D.，Fowler，R.，Vuduc，R.：能量的屋顶线模型。在：2013 IEEE第27届并行和分布式处理国际研讨会，pp.661\u2013672（2013）“，”DOI“：”10.1109\/IPDPS.2013.77“｝，｛”key“：”35_CR18“，”DOI断言“：”crossref“，”非结构化“：”Ben，M.D.，Yang，C.，Louie，S.，Deslippe，J.：加速混合GPU-CPU系统上的大规模GW计算。Bull.Am.Phys.Soc.65（2020）“，”DOI“：”10.1109\/SC41405.2020.00008“}，{“key”：“35_CR19”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ding，N.，Williams，S.：GPU的指令顶层模型。收录于：2019 IEEE\/ACM高性能计算机系统的性能建模、基准测试和仿真（PMBS），第7\u201318页。IEEE（2019）“，“DOI”：“10.1109\/PMBS49563.2019.0007”}，{“key”：“35_CR20”，“DOI-asserted-by”：“crossref”，“unstructured”：“Doerfler，D.等人：将屋顶线性能模型应用于Intel Xeon Phi骑士着陆处理器。摘自：高性能计算国际会议，第339\u2013353页。Springer（2016）“，“DOI”：“10.1007\/978-3-319-46079-6_24”}，{“key”：“35_CR21”，“DOI-asserted-by”：“crossref”，“unstructured”：“Gayatri，R.，Yang，C.，Kurth，T.，Deslippe，J.：使用OpenMP 4.5实现性能可移植性的案例研究。摘自：加速器编程使用指令国际研讨会，第75\u201395页。Springer（2018）“，“DOI”：“10.1007\/978-3-030-12274-4_4”}，{“key”：“35_CR22”，“unstructured”：“Goodfellow，I.等：生成对抗网。In：神经信息处理系统进展，第2672\u20132680页（2014）”}、{“key”：”35_CR23“，”DOI-asserted-by“：”crossref“，”unstructure“：”Ibrahim，K.Z.，Williams，S.，Oliker，L.：使用屋顶线缩放轨迹的FF GPU编程模型的性能分析。摘自：《标杆管理、测量和优化国际研讨会》，第3\u201319页。Springer（2019）“，”DOI“：”10.1007\/978-3-030-49556-5_1“}，{”issue“：”3“，”key“：”35_CR24“，”DOI-asserted-by“：”publisher“，”first page“：“224”，“DOI”：“10.1007\/s42514-019-00018-4”，“volume”：“1”，“author”：“MH Javed”，“year”：“2019”，“unstructured”：“Javed，M.H.，Ibrahim，K.Z.，Lu，X.：使用屋顶线轨迹对深度学习工作量进行性能分析。CCF变速器。高性能计算。1（3），224\u2013239（2019）“，“日记标题”：“CCF事务。高性能计算。}，{“key”：“35_CR25”，“doi-asserted-by”：“crossref”，“unstructured”：“Joubert，W.等人：打击阿片类流行病：确定慢性疼痛和阿片类成瘾的上位性和多效性遗传结构。摘自：SC18：高性能计算、网络、存储和分析国际会议，第717\u2013730页。IEEE（2018）“，“DOI”：“10.1109\/SC.2018.00060”}，{“key”：“35_CR26”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kokela，T.，et al.：用于性能表征的新型多级集成屋顶线模型方法。见：高性能计算国际会议，第226\u2013245页。Springer（2018）“，“DOI”：“10.1007\/978-3-192040-5_12”}，{“key”：“35_CR27”，“DOI-asserted-by”：“crossref”，“unstructured”：“Kurth，T.等人：气候分析的Exascale深度学习。摘自：SC18：高性能计算、网络、存储和分析国际会议，第649\u2013660页。IEEE（2018）“，”DOI“：”10.1109\/SC.2018.00054“}，{“问题”：“10”，“关键”：“35_CR28”，“首页”：“1995”，“卷”：“3361”，“作者”：“Y LeCun”，“年份”：“1995”，“非结构化”：“LeCun，Y.，Bengio，Y.等：图像、语音和时间序列的卷积网络。Handb.脑理论神经网络.3361（10），1995（1995）”，“日志标题”：“把手b。脑理论神经网络。“}，{”key“：”35_CR29“，”doi-asserted-by“：”crossref“，”unstructured“：”Lopes，A.，Pratas，F.，Sousa，L.，Ilic，A.：通过缓存软件屋顶线建模探索GPU性能、功率和能效边界。摘自：2017 IEEE系统和软件性能分析国际研讨会（ISPASS），第259\u2013268页（2017）“doi”：“10.1109 \/ISPASS.2017.7975297“}，{“key”：“35_CR30”，“doi-asserted-by”：“crossref”，“unstructured”：“Madsen，J.R.，et al.：Timemory：HPC的模块化性能分析。In：高性能计算国际会议，pp.434\u2013452。Springer（2020）”，“DOI”：“10.1007\/978-3-030-50743-5_22”}，{“key”：“35_CR31”，“unstructured”：“特斯拉NVIDIA.V100 GPU架构。世界上最先进的数据中心GPU。版本WP-08608-001_v1。1.英伟达。Aug，p.108（2017）“}，{”key“：”35_CR32“，”unstructured“：”Okuta，R.，Unno，Y.，Nishino，D.，Hido，S.，Loomis，C.：CuPy：NVIDIA GPU计算的numpy-compatible库。摘自：《第三十一届神经信息处理系统年会（NIPS）机器学习系统（LearningSys）研讨会论文集》（2017）35_CR33“，”doi-asserted-by“：”crossref“，”unstructured“：”Wang，Y.，Yang，C.，Farrel，S.，Zhang，Kurth，Y.T.，Williams，S.：基于时间的深入学习绩效分析屋顶线。在：2020 IEEE\/ACM超级计算机深度学习研讨会（2020，已提交）“，”DOI“：”10.1109\/DLS51937.2020.00007“｝，｛”key“：”35_CR34“，”DOI断言“：”crossref“，”非结构化“：”Williams，S.、Waterman，A.、Patterson，D.：Roofline：浮点程序和多核架构的一种有见地的可视化性能模型。技术报告，劳伦斯伯克利国家实验室（LBNL），加利福尼亚州伯克利，美国（2009）“，“DOI”：“10.2172”}，{“key”：“35_CR35”，“unstructured”：“Yang，C.：NVIDIA V100 GPU上3.7 TFLOP的8个步骤：Roofline分析和其他技巧”}Yang，C.：分层屋顶线分析：如何在Intel CPU和NVIDIA GPU上使用性能工具收集数据“}，{“key”：“35_CR37”，“unstructured”：“Yang，C，Friesen，B.，Kurth，T.，Cook，B.，Williams，S.：在cray系统上实现自动化应用程序评测。In:cray User Group Conferencecrossref”，“非结构化”：“Yang，C.等人：定量评估性能可移植性的经验屋顶线方法。摘自：2018 IEEE \/ACM HPC性能、便携性和生产力国际研讨会（P3HPC），第14\u201323页。IEEE（2018）“，”DOI“：”10.1109\\P3HPC.2018.00005“｝，｛”key“：”35_CR39“，”DOI断言“：”crossref“，”首页“：”e547“，”DOI“：”10.1002\\cpe.5547“，”卷“：”32“，”作者“：”C Yang“，”年份“：”2019“，”非结构化“：”Yang，C.，Kurth，T.，Williams，S.：GPU的分层屋顶线分析：加速NERSC-9 perlmutter系统的性能优化。同意。计算。实际。Exp.32，e5547（2019）“，“日志标题”：“同意。计算。实际。Exp.“}”，“container-title”：[“网络和系统中的课堂讲稿”，“智能计算”]，“original-title“：[]，“link”：[{“URL”：“https:\\//link.springer.com/content\/pdf\/10.1007\/978-3-030-80126-7_35”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[2023,11,5]]，“date-time“：”2023-11-05T18:11:11Z“，”timestamp“：1699207871000}，”score“：1，”resource“：{主要”：{“URL”：“https:\/\/link.springer.com\/10.1007\/978-3-030-80126-7_35”}}，“副标题”：[]，“短标题”：[]，“已发布”：{“date-parts”：[2021]}，《国际标准图书编号》：[“9783030801250”，“97833080126”]，“references-count”：39，“URL”：“http://\/dx.doi.org\/10.1007\/978-3-030-80126-7_35”，“关系“：{}，”ISSN“：[”2367-3370“，”2367-23389“]，”ISSN-type“：[{”value“：”2367-13370“、”type“:”print“}、{”value“：“2367-3389”、“type”：“electronic”}]、“subject”：[]、“published”：{“date-parts”：[2021]}、“assertion”：[{”value：“2021年7月7日”、“order”：1、“name”：“first_online”、“label”：“first online”，“组”：{“名称”：“章节历史”，“标签”：“章历史”}}]}}