的一部分机器学习与系统3(MLSys 2021)
Yichen Yang、Phitchaya Phothilimthana、Yisu Wang、Max Willsey、Sudip Roy、Jacques Pienaar
深度学习框架中使用的主要优化之一是图重写。生产框架依靠启发式来决定是否应用重写规则以及以何种顺序应用。先前的研究表明,如果我们搜索更佳的替换序列,而不是依赖于启发式,那么可以发现更多的最优张量计算图。然而,我们观察到,在生产和研究框架中,张量图超优化的现有方法都以顺序的方式应用替换。这种顺序搜索方法对替换的应用顺序很敏感,通常只搜索等价图的指数空间的一小部分。本文提出了一种新的张量图超优化技术,该技术利用等式饱和一次性应用所有可能的替换。我们表明,我们的方法可以找到优化的图形,与最新技术相比,其速度提高了16%,而平均优化时间减少了48倍。
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。