Transparent Offloading of Computationally Demanding Operations in Microsoft .NET
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For many years, the group of preferred programming languages for writing algorithms meant for large clusters contains among others C/C++ and FORTRAN. However, normally one does not consider the Microsoft .NET programming languages as a part of this group. The reason for this is that only few tools exist that can help programmers simplify the process of writing parallel .NET code besides the official tools from Microsoft i.e. Task Parallel Library (TPL) (Microsoft, n.d.) and HPC Pack. (Microsoft, n.d.) Furthermore, most of the official tools only supports a Microsoft Windows or Microsoft Azure platform and not a mixture of non-virtualized platforms like a Linux machine with Mono (Mono, n.d.) or the decommissioned DotGNU (GNU, n.d.). In addition, some of the most useful tools for writing parallel .NET code does not support multiple machines and as a result, programmers seldom choose .NET as the framework for writing parallel programs. Therefore, this paper presents a .NET tool, which will use well-known parallel tools as inspiration and allow programmers to call a number of methods that can send a job consisting of a user-defined method (code) along with sets of parameters and shared data to a central machine. The central machine will then modify the code and afterwards distributes the work to the connected machines each running one or more workers. By implementing three simple benchmarks, initial tests shows that the benchmarks can achieve linear scaling on a small cluster consisting of Windows machines, and by presenting future design ideas, it is believed that it will be possible to extent the linear scaling to a larger mix-platform cluster consisting of both internal resources (workstations/servers) and external cloud resources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle