論文の概要: DLSpec: A Deep Learning Task Exchange Specification
- arxiv url: http://arxiv.org/abs/2002.11262v1
- Date: Wed, 26 Feb 2020 02:27:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 14:07:37.250424
- Title: DLSpec: A Deep Learning Task Exchange Specification
- Title(参考訳): DLSpec: ディープラーニングタスク交換仕様
- Authors: Abdul Dakkak, Cheng Li, Jinjun Xiong, Wen-Mei Hwu
- Abstract要約: ディープラーニング(DL)のイノベーションは、急速に導入されています。
現在のDLタスクの標準仕様の欠如は、これらのイノベーションの共有、実行、再生、比較を困難にしている。
DLSpecは、DLタスクのさまざまな側面をキャプチャする、モデル、データセット、ソフトウェア、ハードウェアに依存しないDL仕様である。
- 参考スコア(独自算出の注目度): 32.62513495487506
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep Learning (DL) innovations are being introduced at a rapid pace. However,
the current lack of standard specification of DL tasks makes sharing, running,
reproducing, and comparing these innovations difficult. To address this
problem, we propose DLSpec, a model-, dataset-, software-, and
hardware-agnostic DL specification that captures the different aspects of DL
tasks. DLSpec has been tested by specifying and running hundreds of DL tasks.
- Abstract(参考訳): ディープラーニング(dl)のイノベーションは急速に導入されている。
しかし、現在のDLタスクの標準仕様の欠如は、これらのイノベーションの共有、実行、再生、比較を困難にしている。
この問題を解決するために,dlタスクのさまざまな側面をキャプチャするモデル,データセット,ソフトウェア,ハードウェアに依存しないdl仕様であるdlspecを提案する。
DLSpecは、数百のDLタスクを指定および実行することでテストされている。
関連論文リスト
- When does In-context Learning Fall Short and Why? A Study on
Specification-Heavy Tasks [54.71034943526973]
In-context Learning (ICL)は、大規模言語モデル(LLM)のデフォルトメソッドとなっている。
ICLは、複雑で広範囲なタスク仕様を持つタスクである、仕様の重いタスクを処理できないことが分かりました。
我々は、コンテキストを具体的に理解できないこと、タスクスキーマが人間と理解できないこと、長文理解が不十分であること、の3つの主な理由を識別する。
論文 参考訳(メタデータ) (2023-11-15T14:26:30Z) - Towards Training Reproducible Deep Learning Models [26.547756923322126]
ディープラーニング(DL)モデルは、ソフトウェアにおけるランダム性やハードウェアにおける非決定性といった問題により、再現が困難である。
本稿では,再現可能なDLモデルを学習するための体系的なアプローチを提案する。
ケーススタディでは,6つのオープンソースと1つの商用DLモデルを再現することができた。
論文 参考訳(メタデータ) (2022-02-04T18:14:39Z) - Challenges in Migrating Imperative Deep Learning Programs to Graph
Execution: An Empirical Study [4.415977307120617]
我々は、信頼できるがパフォーマンスのよい命令型DLコードを書くことに関わる課題と結果のバグを、データ駆動で分析します。
命令型DLコードを効果的にハイブリダイズするために、いくつかの推奨事項、ベストプラクティス、アンチパターンを提示しました。
論文 参考訳(メタデータ) (2022-01-24T21:12:38Z) - Tensor Processing Primitives: A Programming Abstraction for Efficiency
and Portability in Deep Learning Workloads [86.62083829086393]
このプロセスプリミティブ(TPP、Processing Primitives)は、高い生産性を持つDeep Learning-Workloadの効率的でポータブルな実装を目指すプログラミング抽象化である。
TPPは、高次元テンソル上の複素作用素を構成するためにビルディングブロックとして使用できる2Dテンソル作用素(または仮想ISA)のコンパクトで汎用的な集合を定義する。
我々は,スタンドアロンカーネルとTLPで表現されたエンドツーエンドのDLワークロードによるアプローチの有効性を実証し,複数のプラットフォーム上での最先端実装よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-12T18:35:49Z) - Deep Learning and Traffic Classification: Lessons learned from a
commercial-grade dataset with hundreds of encrypted and zero-day applications [72.02908263225919]
商業用DLトラフィック分類エンジンでの経験を共有します。
暗号化トラフィックから既知のアプリケーションや未知のゼロデイアプリケーションを特定します。
DLモデルに合わせ、最新技術よりも正確で軽量な新しい手法を提案します。
論文 参考訳(メタデータ) (2021-04-07T15:21:22Z) - An Empirical Study on Deployment Faults of Deep Learning Based Mobile
Applications [7.58063287182615]
モバイルディープラーニング(DL)アプリは、大規模データを使用してトレーニングされたDLモデルとDLプログラムを統合する。
本稿では,モバイルdlアプリのデプロイ障害に関する最初の総合的研究を行う。
我々は,断層症状に関する23のカテゴリからなる微粒度分類を構築し,異なる断層タイプに対する共通修正戦略を蒸留する。
論文 参考訳(メタデータ) (2021-01-13T08:19:50Z) - InferBench: Understanding Deep Learning Inference Serving with an
Automatic Benchmarking System [15.473926972382241]
ディープラーニング(DL)開発者のための,自動かつ包括的なベンチマークシステムを実装した。
我々のシステムは,DLクラスタ内のリーダサーバにデプロイされ,ユーザのベンチマークジョブをフォローワーワーカにディスパッチする。
開発者はシステム内のさまざまな分析ツールやモデルを活用して、さまざまなシステム構成のトレードオフに関する洞察を得ることができます。
論文 参考訳(メタデータ) (2020-11-04T14:56:57Z) - A Survey of Deep Active Learning [54.376820959917005]
アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。
ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。
ディープラーニング(Deep Active Learning, DAL)が誕生した。
論文 参考訳(メタデータ) (2020-08-30T04:28:31Z) - Automated Reasoning in Temporal DL-Lite [65.9825143048822]
本稿では,時間的DL-Lite(TDL-Lite)知識ベース(KB)に対する自動推論の実現可能性について検討する。
我々は,TDL-Lite KB の満足度を確認するために,市販の推論器を用いてテストする。
TDL-Lite KB の使用を現実的なものにするために,グラフィカルなインタフェースを備えた本格的なツールを提案する。
論文 参考訳(メタデータ) (2020-08-17T16:40:27Z) - The Deep Learning Compiler: A Comprehensive Survey [16.19025439622745]
我々は、広く採用されている設計を詳細に分離し、既存のDLコンパイラを網羅的に調査する。
具体的には、様々な側面から既存のDLコンパイラを総合的に比較する。
論文 参考訳(メタデータ) (2020-02-06T07:29:08Z)
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。