简介
Plato 高性能图计算框架主要有以下贡献：
- Plato 能高效地支撑腾讯超大规模社交网络图数据的各类计算，且性能达到了学术界和工业界的顶尖水平，比Spark GraphX 高出 1-2 个数量级，使得许多按天计算的算法可在小时甚至分钟级别完成，也意味着腾讯图计算全面进入了分钟级时代。
- Plato 的内存消耗比 Spark GraphX 减少了 1-2 个数量级，意味着只需中小规模的集群（10 台服务器左右）即可完成腾讯数据量级的超大规模图计算，打破了动辄需要上百台服务器的资源瓶颈，同时也极大地节约了计算成本。
- Plato 隶属腾讯图计算 TGraph，起源于超大规模社交网络图数据，但可以完美适配其他类型的图数据，同时，Plato 作为高性能、可扩展、易插拔的工业级图计算框架，推动了业界超大规模图计算框架的技术进步。
核心能力
Plato 目前主要提供两方面的能力：
- 腾讯数据量级下的离线图计算
- 腾讯数据量级下的图表示学习
Plato 的整体架构如下图所示。Plato 可运行在通用的 X86 集群，如 Kubernetes 集群、Yarn 集群等。在文件系统层面，Plato 提供了多种接口支持主流的文件系统，如 HDFS、Ceph 等等。
Plato 高性能图计算框架的核心是 Plato 自适应图计算引擎。目前 Plato 计算引擎针对不同类型的图算法，提供了稀疏稠密自适应计算模式、共享内存计算模式和流水线计算模式等，还设计了良好的接口支持接入新的计算通信模式。此外，Plato 自适应图计算引擎还包含了图划分、图表示以及多层级计算通信协同调度等模块。
计算引擎之上，Plato 为算法设计者或具体的业务提供多层次接口：从底层的 API，到图算法库，再到为具体业务量身打造的“解决方案”——图工具集。通过这些应用层的接口和工具，Plato 还可以把离线计算结果与其他机器学习算法相结合，共同支撑顶层的不同业务。
已开源的算法：
- 图特征
- 树深度/宽度
- 图特征打包计算：节点数/边数/密度/节点度分布
- N-阶度
- HyperANF
- 节点中心性指标
- KCore
- Pagerank
- Closeness
- Betweenness
- 连通图 & 社团识别
- Connected-Component
- LPA
- HANP
- 图表示学习
- Node2Vec-Randomwalk
- Metapath-Randomwalk
- 聚类/分圈算法
- LDA
- FastUnfolding
- 其他图相关算法
- BFS
- 共同类计算
-
腾讯高性能图计算框架Plato代码阅读（二） 图加载 在pagerank计算逻辑中，图加载和图切分是通过如下调用完成的： // init graph plato::graph_info_t graph_info(FLAGS_is_directed); auto pdcsc = plato::create_dcsc_seqs_from_path<plato::empty_t>(
-
Plato是一款针对包装印刷&标签印刷&混合散版拼版的智能拼版软件，Plato能够依据生产订单数据自动进行拼版作业，自动依各种不同的印刷方式自动判断加载不同的印刷标记线，制作一次智能印刷标记线模板，无限使用！ 无论您是胶印、柔印、凹印、凸印、丝印，只要您是需要进行印刷拼版，Plato都能为您提供智能化解决方案，使您的印前拼版工作不再产生因手工操作带来的各种错误，轻松一键拼版自动生成，大幅提升您的生
-
数据集：多轮对话数据集 外加标签：无 模型：预训练模型（在对话语料上） 时间：2019年 本文带来Siqi Bao, Huang He, Fan Wang, Hua Wu and Haifeng Wang共同创作的文章 简介 预训练模型已被证明对广泛的自然语言处理任务有效。受此启发，我们提出了一种新颖的对话生成预训练框架来支持各种对话，包括闲聊、基于知识的对话和对话式问答。在这个框架中，我们采用灵
-
Nebula Graph + Plato调研总结 今天花了一天的时间，调研了Nebula数据库，Plato框架，以及Nebula与Plato框架对接相关技术，下面将看到的比较好的链接记录如下： 相关网页主题及对应链接 主流开源分布式图计算框架 Benchmark https://www.modb.pro/db/212572 高性能图计算系统Plato在Nebula Graph中的实践 https:
-
Lesson 47 - Plato Today The modern Plato, like his ancient counterpart, has an unbounded contempt for politicians and statesmen and party leaders who are not university men. He finds politics a dirty
-
👥面试题目 一面 项目 cuda详细说（好久了有的忘记了说的磕磕巴巴的） 然后 讲了实习的东西 感觉和他们目前的业务比较match 基础问题 c加加和cuda的基础问题 一个膨胀卷积实现的手撕 呃问我怎么优化 没回答出来 给我讲解了我还是没明白 笑死 面试官无语 反问 两轮技术面 技术业务偏向移动端硬件优化这边 面试官比较友好 亲切 没开摄像头 希望可以进二面 跪求
-
最简单的经验法则之一是记住硬件喜欢数组，并且针对数组的迭代进行了高度优化。对许多问题的一个简单优化只是停止使用花哨的数据结构，只使用简单的数组（或C++中的std：：vectors）。这需要一些时间来适应。 C++类是那种“奇特的数据结构”，即一种可以用数组代替的数据类型，以在C++程序中获得更高的性能吗？
-
1、自我介绍 2、项目介绍 3、主要做了什么，为什么这样做 4、模型结构 5、与原算法比较，优势和不足 6、在学校有没有学过机器学习深度学习相关课程 7、滤波器（不会） 8、怎样部署（不会） 9、评价指标 10、倾向于做什么方向 11、线性回归与逻辑回归 12、朴素贝叶斯 13、代码题：单位园随机采样 #摩尔线程##摩尔线程智能科技（北京）有限责任公司#
-
我得到的性能下降后，并行化的代码，计算图中心。图比较大，100K顶点。单线程应用程序大约需要7分钟。根据julialang站点（http://julia.readthedocs.org/en/latest/manual/parallel-computing/#man-parallel-computing）的建议，我修改了代码并使用pmap api来并行计算。我开始计算8个过程（julia-p 8c
-
【名称】蔚来高性能计算日常实习 1 2 3面 【时间】23.07 【公司】蔚来 【岗位】高性能计算 【面经】个人 一面： 1. 自我介绍 2. 深挖实习 3. 你用过TensorRT 讲讲对 TensorRT的理解 4. 讲讲TensorRT 和 OpenVINO的区别 C++ 八股： 5. C++面向对象特性 面向对象特性分别如何体现的 6. 讲一下继承 7. 讲一下虚函数 8. 讲一下vect
-
校验者: @曲晓峰 @小瑶 翻译者: @小瑶 对于某些 applications （应用），estimators（估计器）的性能（主要是 prediction time （预测时间）的 latency （延迟）和 throughput （吞吐量））至关重要。考虑 training throughput （训练吞吐量）也可能是有意义的，但是在 production setup （生产设置）（通常在脱
-
我正在研究一个基于代理的流行病模型。这个想法是单个代理根据他们在网络中观察到的情况（基于距离）做出决定。我在每个代理中都有几个功能，可以动态更新受感染接触者的数量，接触者表现出特定行为等。 下面的代码用于计算代理网络中受感染的联系人。 至少还有3个这样的函数可以保持表示代理网络中其他功能的其他代理的计数。现在，当我 有没有一种计算效率更高的方法来跟踪更大人口的网络统计数据？
-
投的上海的高性能计算被挂了，被北京的高性能计算的语音技术部捞了 百度面试官非常好，体验感非常棒，奈何自己太菜了，全程道歉 一面 8.2 项目深挖 算子开发相关涉及知识点 GPU架构，内存模型 并发编程 锁 信号量 创建线程的几种方式 lambda表达式的底层是怎么实现的 std::move 使用场景，他比赋值构造好在哪 lock_guard相比较于lock/unlock能防止什么问题？ cuda