Joe Eaton – NVIDIA 技術博客

革命性的圖形分析： NVIDIA cuGraph 加速的下一代架構

Thu, 09 May 2024 07:35:09 +0000

在我們的先前的圖分析探索中，我們使用 NVIDIA cuGraph 揭示了 GPU-CPU 融合的變革力量。基于這些見解，我們現在引入了一種革命性的新架構，它重新定義了圖處理的邊界。在我們早期涉足圖形分析的過程中，我們在使用的架構方面面臨著各種挑戰。這種體系結構雖然有效，但也造成了阻礙設置和性能的障礙。這些依賴關系不僅使設置過程復雜化，而且對實現最佳性能也提出了挑戰。對共享磁盤基礎設施的需求，加上基于 Python 的服務和 Thrift 通信，造成了一個難以有效配置和擴展的系統。在我們尋求加速圖形分析的過程中，很明顯，范式轉變是必要的。進入下一代架構，這是一種革命性的方法，旨在克服前代架構的局限性，開啟圖形處理的新領域。讓我們詳細探討一下這一突破性的體系結構。在我們尋求徹底改變圖形分析的過程中，

Source

]]>

現已推出：適用于 GNN 的 NVIDIA AI 加速 DGL 和 PyG 容器

Fri, 08 Dec 2023 04:55:45 +0000

從信用卡交易、社交網絡到推薦系統，再到生物學中的運輸網絡和蛋白質間的相互作用，圖形是建模和分析復雜連接的首選數據結構。圖形神經網絡 (GNN) 具有學習和推理圖形結構化數據的能力，已在各個領域成為改變游戲規則的技術。但是，發現這些圖形中隱藏的模式和寶貴見解可能具有挑戰性，尤其是在 GNN 的數據采樣和端到端訓練中。為了彌補這一差距，NVIDIA 推出了GNN 框架，這是專為 DGL 和 PyG 設計的容器，具備以下特點：本文概述了 NVIDIA 加速 DGL 和 PyG 容器的優勢，展示了客戶在生產環境中使用這些容器的方式，并提供了性能指標。深度圖形庫 (DGL) 是一款熱門的開源庫，它可以在現有的深度學習框架（如 PyTorch）上實現和訓練圖神經網絡 (GNN)。我們很高興地宣布，DGL 現已通過其他 NVIDIA 庫進行加速，

Source

]]>

使用 NVIDIA Hopper GPU DPX 指令提高動態編程性能

Thu, 08 Dec 2022 07:04:00 +0000

動態編程（ DP ）是一種眾所周知的算法技術和數學優化，幾十年來一直被用于解決計算機科學中的突破性問題。 DP 用例的一個示例是使用 Floyd-Warshall 全對最短路徑算法的具有數百或數千個約束或權重的路線優化。另一個用例是使用 Needleman-Wunsch 或 Smith-Waterman 算法進行基因組序列比對的讀取比對。 NVIDIA Hopper GPU 動態編程 X （ DPX ）指令加速了基因組學、蛋白質組學和機器人路徑規劃等領域中使用的一大類動態編程算法。加速這些動態編程算法可以幫助研究人員、科學家和從業人員更快地了解潛在的 DNA 或蛋白質結構以及其他幾個領域。 DP 技術最初涉及遞歸地表達算法，其中較大的問題被分解為更容易解決的子問題。 DP 中常用的一種計算優化是保存子問題的結果，并在問題的后續步驟中使用它們，而不是每次都重新計算解決方案。

Source

]]>