Deep Learning Systems

一篇关于 GPU checkpoint/restore 的技术笔记：以 FlowGPU 为主线，介绍 cudaw prototype 如何探索透明的暂停、恢复与迁移。

基于我们的 ACM Computing Surveys 论文，梳理 GPU 数据中心里的训练、推理、HPO、混合负载以及未来调度器设计。

一篇关于 ASTRAEA 的技术笔记：它面向多租户 GPU 集群，用长期 GPU-time 衡量公平性，避免只看瞬时分配或任务完成时间。