的一部分机器学习与系统1会议录(MLSys 2019)
阿萨夫·艾森曼(Assaf Eisenman)、马克西姆·诺莫夫(Maxim Naumov)、达里尔·加德纳(Darryl Gardner
典型的大规模推荐系统使用存储在大量DRAM上的深度学习模型。这些模型通常依赖于嵌入式,而嵌入式占用了大部分所需内存。我们介绍了Bandana,这是一种通过使用非易失性存储器(NVM)作为主存储介质,并使用少量DRAM作为缓存,来减少嵌入式DRAM占用空间的存储系统。与DRAM相比,在NVM上存储嵌入式的主要挑战是其有限的读取带宽。Bandana使用两种主要技术来解决此限制:首先,它使用超图分区将可能一起读取的嵌入向量存储在同一物理位置,其次,它通过模拟几十个小缓存来决定要在DRAM中缓存的嵌入向量的数量。这些技术使Bandana能够将NVM的有效读取带宽增加2-3倍,从而显著降低总体拥有成本。
在电子程序中更改姓名的请求将被接受,不会提出任何问题。然而,名称更改可能会导致书目跟踪问题。作者被要求仔细考虑这一点,并在要求在电子诉讼中更改姓名之前与合著者进行讨论。
使用“报告问题”链接请求更改名称。