[Eklenme tarihi 30 Nis 2020]
Özet: Makine öğreniminin farklı alanlarda hızla artan başarıları,
yenilikçi AI algoritmalarının, sistemlerinin ve
mimariler ve dolayısıyla kıyaslamanın önemi artıyor. Ancak
iş yüklerinin gizli doğası,
kıyaslamaların temsililiği ve çeşitliliği ve engelleyici maliyeti
son teknoloji ürünü bir modelin eğitilmesi, yapay zeka kıyaslamasını karşılıklı olarak ağırlaştırır
zorluklar. Bu yazıda, dengeli bir AI kıyaslama metodolojisi sunuyoruz
geliştirmedeki farklı aşamaların incelikle farklı gereksinimlerini karşılamak için
yeni bir sistem/mimari ve kullanıma hazır ticari olanları sıralama/satın alma.
En önemli AI etki alanı olan İnternet üzerinde kapsamlı bir anket gerçekleştirme
onyedi endüstri ortağıyla hizmetler, onyediyi belirliyor ve dahil ediyoruz
temsil edilebilirliğini ve çeşitliliğini garanti etmek için temsili AI görevleri
kriterler. Bu arada, kıyaslama maliyetini azaltmak için bir
kriterlere göre en az üç göreve kıyaslama altkümesi: çeşitlilik
model karmaşıklığı, hesaplama maliyeti ve yakınsama oranı, tekrarlanabilirlik,
ve yaygın olarak kabul edilen metriklere sahip olup olmadığı. Açık ara en çok biz katkıda bulunuyoruz
kapsamlı AI kıyaslama paketi-AIBench. Değerlendirmeler AIBench'i gösteriyor
modelin çeşitliliği ve temsil edilebilirliği açısından MLPerf'ten daha iyi performans gösterir
karmaşıklık, hesaplama maliyeti, yakınsama hızı, hesaplama ve bellek erişimi
desenler ve etkin nokta işlevleri. AIBench tam kıyaslamaları ile ilgili olarak,
alt kümesi, birincil değeri korurken kıyaslama maliyetini %41 oranında kısaltır
iş yükü özellikleri. Spesifikasyonlar, kaynak kodu ve performans
numaralar web sitesinden halka açıktır
bu http URL'si.
Gönderme geçmişi
Kimden: Fei Tang [e-postayı görüntüle]
[V1]
Pzt, 30 Nis 2020 11:08:49 UTC (4,301 KB)
