NAV: A Comparative Analysis Tool for Nsight Systems GPU Traces
Notice bibliographique
Résumé
High-performance computing (HPC) and data centers increasingly rely on Graphics Processing Units (GPUs) in large supercomputers. Yet, this reliance poses challenges in quickly understanding the performance impacts of code changes. This paper introduces NAV, a versatile tool designed to rapidly analyze and compare GPU performance traces. Built upon NVIDIA’s Nsight<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">TM</sup> Systems (NSYS), NAV enhances NSYS’s capabilities by accelerating visualization for large traces, increasing the variety of data representation formats, and adding comparative analysis capabilities. Our tool, NAV, provides complimentary functions on top of NSYS to quickly access performance data and perform comparative analysis. NAV offers detailed visual and written representations of traces at various granularity levels and efficiently handles large trace files through parallelization. It extracts trace data 1.15 to 3.5 times faster than comparable NSYS recipes for typical developer trace sizes, automating the generation of valuable data representations and streamlining workload analysis. This paper outlines NAV’s key features and functionalities, demonstrating its effectiveness through use cases that highlight its benefits for rapid application analysis and assessing the impact of code changes.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».