Comment j'ai contourné les erreurs PyTorch MOO avec un moteur graphique C++ sans copie

DEV - 15/03
Si vous avez déjà essayé de former un réseau de neurones graphiques (GNN) sur un ensemble de données volumineux, vous le savez déjà...

Si vous avez déjà essayé de former un réseau de neurones graphiques (GNN) sur un ensemble de données volumineux, vous connaissez déjà la douleur du « mur de mémoire ».

Le chargement d'un ensemble de données comme Papers100M dans PyTorch Geographic se termine presque toujours exactement de la même manière sur une machine standard : un crash instantané d'allocation de plus de 24 Go de mémoire (MOO). Les bibliothèques standard tentent de charger l'intégralité de la liste des bords et de la ...
[Courte citation de 8% de l'article original]

Loading...