論文の概要: pytest-gpu-proof: Enabling Cloud-CPU Continuous Integration for GPU Code with Local GPU Attestation

• arxiv url: http://arxiv.org/abs/2609.28862v1
• Date: Thu, 24 Sep 2026 00:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.614693
• Title: pytest-gpu-proof: Enabling Cloud-CPU Continuous Integration for GPU Code with Local GPU Attestation
• Title（参考訳）: pytest-gpu-proof: ローカルGPUによるGPUコードのクラウド-CPU継続的インテグレーションの実現
• Abstract要約: 本稿では,オープンソースのpytestプラグインであるpytest-gpu-proofについて紹介する。 テストはローカルマシン上で実行でき、実行した内容と生成した内容のレシートで署名され、標準CPUに統合される。 このツールはオープンソースで、PyPI上にあります。
• 参考スコア（独自算出の注目度）: 10.263005327884745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: GPU acceleration is now routine across robotics, but cloud-hosted GPU continuous integration (CI) runners are expensive, resulting in severe under-testing of GPU-accelerated code. We present pytest-gpu-proof, an open-source pytest plugin offering a practical middle ground. Tests can be run on a local machine, signed with a receipt of exactly what ran and what it produced, and integrated into standard CPU CI workflows (e.g., GitHub Actions). The tool is open source and on PyPI, and we are actively integrating it across our lab's software stack.
• Abstract（参考訳）: GPUアクセラレーションは現在、ロボティクス全体でルーチン化されているが、クラウドでホストされるGPU継続的インテグレーション(CI)ランナーは高価であり、GPUアクセラレーションコードの厳しいアンダーテストにつながる。 本稿では,オープンソースのpytestプラグインであるpytest-gpu-proofについて紹介する。 テストはローカルマシン上で実行でき、実行した内容と生成した内容のレシートで署名され、標準的なCPUCIワークフロー(GitHub Actionsなど)に統合される。 このツールはオープンソースで、PyPI上にあります。

関連論文リスト

• UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms [68.40808444348735]
  シミュレーション支配型ロボット制御では、どのプロセッサが物理を実行するかではなく、シミュレーションスループット、ポリシー学習、実行時同期が効率的なエンドツーエンドループを形成するかどうかが重要な問題である。 データ移動、バッファリング、同期のための統一ランタイムを通じて、GPUポリシー更新からCPU並列シミュレーションを分離する、異種CPU常駐/GPU学習アーキテクチャであるUniLabを提案する。
  論文  参考訳（メタデータ） (2026-05-28T17:53:50Z)
• VibeTensor: System Software for Deep Learning, Fully Generated by AI Agents [42.56489784841984]
  実装の変更が生成され、エージェントが提案する差分として適用される。 アーキテクチャを説明し、システムの生成と検証に使用するワークフローを要約し、アーティファクトを評価する。
  論文  参考訳（メタデータ） (2026-01-21T19:29:00Z)
• ParaCodex: A Profiling-Guided Autonomous Coding Agent for Reliable Parallel Code Generation and Translation [5.103450268268085]
  ParaCodexは、Codexベースのエージェントを自律的なOpenMPオフロードシステムに変換するHPCエンジニアリングワークフローである。 我々は、HeCBench, Rodinia, NAS上で、シリアルCPUカーネルからOpenMPオフロードカーネルへの変換を評価する。 我々は HeCBench 上の 3x と Rodinia 上の 5x の幾何平均スピードアップを達成し、全てのスイートにおいてゼロショットコーデックスベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-01-07T19:04:53Z)
• HipKittens: Fast and Furious AMD Kernels [36.63732085611713]
  本稿では,AMDAIカーネルの性能向上につながるプログラミングプリミティブについて検討する。 我々は,AMDAIカーネルの性能向上につながるプログラミングプリミティブについて,初めて詳細な研究を行った。 これらの発見は、高性能AIカーネルのための単一のタイルベースのソフトウェアレイヤの道を開くのに役立つ。
  論文  参考訳（メタデータ） (2025-11-11T10:36:18Z)
• PLSSVM: A (multi-)GPGPU-accelerated Least Squares Support Vector Machine [68.8204255655161]
  Support Vector Machines (SVM) は機械学習で広く使われている。 しかし、現代的で最適化された実装でさえ、最先端ハードウェア上の大きな非自明な高密度データセットにはうまくスケールしない。 PLSSVMはLVMのドロップイン代替として使用できる。
  論文  参考訳（メタデータ） (2022-02-25T13:24:23Z)
• GPU backed Data Mining on Android Devices [13.381440652961624]
  AndroidデバイスでOpenCLを使用できるラッパーライブラリを作成しました。 我々はこのライブラリを用いて、Arm-v7タブレットの統合GPU上でのDBSCANとKmeansアルゴリズムの性能を比較した。
  論文  参考訳（メタデータ） (2021-12-09T09:44:55Z)
• Data-Efficient Instance Segmentation with a Single GPU [88.31338435907304]
  我々は2021年のVIPriors Instance Challengeで使用したデータ効率のセグメンテーション手法を紹介した。 私たちのソリューションは、強力なツールボックスであるmmdetectionをベースにした、Swin Transformerの修正版です。 本手法は,全競技者の2位である0.592のAP@0.50:0.95(medium)を達成した。
  論文  参考訳（メタデータ） (2021-10-01T07:36:20Z)
• Hybrid Models for Learning to Branch [81.93868699246214]
  我々はCPUマシン上で効率的な分岐を行うための新しいハイブリッドアーキテクチャを提案する。 提案アーキテクチャは,GNNの表現力と分岐処理のための計算コストの低い多層パーセプトロン(MLP)を組み合わせる。
  論文  参考訳（メタデータ） (2020-06-26T21:03:45Z)
• Signatory: differentiable computations of the signature and logsignature transforms, on both CPU and GPU [13.503274710499971]
  Signatoryは、シグネチャおよびログシグネチャ変換に関連する機能を計算し、実行するライブラリである。 これは、効率的な事前計算戦略など、以前のライブラリでは利用できない新機能を実装している。 ライブラリはC++のPythonラッパーとして動作し、PyTorchエコシステムと互換性がある。
  論文  参考訳（メタデータ） (2020-01-03T03:15:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。