文件名称：SC21_disaggregation:我们用于资源分配的SC21提交的工件存储库
文件大小：3.64MB
文件格式：ZIP
更新时间：2024-04-29 19:34:32
JupyterNotebook
SC21_分解 我们的SC21提交的工件资源库，用于资源分解。 在此存储库中，您将找到脚本和代码来帮助生成统计数据和图表，这些统计数据和图表将在我们的论文中显示，以及更多其他内容。 不幸的是，由于识别信息，我们无法发布我们使用的专有分析工具以及Cori的实际数据。 特别是，您将找到以下三个目录： 1）。 “ Cori_Jupyter”：此目录包含处理来自Cori的数据的Jupyter笔记本。 这些笔记本按度量标准组织。 大多数笔记本文件访问一个采样器（例如，内存容量），但是其他笔记本文件访问多个采样器，以使指标相互关联。 这些笔记本的输入是实木复合地板文件，其中包含带有我们数据的数据框。 他们提供统计数据和图表。 2）。 “ Cori_collection”：此目录包含将一组CSV文件转换成镶木地板文件的功能，这些CSV文件的每个度量标准具有一列（包括作业和节点ID），每个度量标准
【文件预览】：
SC21_disaggregation-main
----README.md(2KB)
----Cori_Jupyter()
--------procstat_knl.ipynb(128KB)
--------README.md(852B)
--------meminfo.ipynb(88KB)
--------syspapi_memory.ipynb(608KB)
--------syspapi_combined.ipynb(574KB)
--------syspapi_knl.ipynb(75KB)
--------procstat_combined.ipynb(34KB)
--------NIC.ipynb(239KB)
--------procstat_hws.ipynb(66KB)
--------summaries.ipynb(83KB)
--------syspapi.ipynb(56KB)
----GPU_Jupyter()
--------transformer_training()
--------resnet_inference()
--------bert_inference()
--------dlrm_training()
--------resnet_training()
--------ml_plots.ipynb(255KB)
--------bert_training()
----Cori_collection()
--------.README.md.un~(7KB)
--------README.md(472B)
--------csv-to-parquet.py(8KB)
--------README.md~(0B)
--------environment.yaml(99B)
--------logging.json(624B)
--------filter_main.cpp(4KB)
--------metrics.json(5KB)
----GPU_Scripts()
--------transformer_training.sub(592B)
--------bert_training.sub(2KB)
--------bert_inference.sub(2KB)
--------resnet_training.sub(1KB)
--------resnet_inference.sub(666B)
--------dlrm_training.sub(359B)