論文の概要: Orpheus: A New Deep Learning Framework for Easy Deployment and
Evaluation of Edge Inference
- arxiv url: http://arxiv.org/abs/2007.13648v2
- Date: Mon, 3 Aug 2020 20:58:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 05:54:32.676796
- Title: Orpheus: A New Deep Learning Framework for Easy Deployment and
Evaluation of Edge Inference
- Title(参考訳): Orpheus: エッジ推論のデプロイと評価を簡単にするための新しいディープラーニングフレームワーク
- Authors: Perry Gibson, Jos\'e Cano
- Abstract要約: Orpheusは推論最適化を簡単にプロトタイピング、デプロイ、評価するための新しいディープラーニングフレームワークである。
最小限の依存関係と、他のサードパーティシステムを統合するためのシンプルなプロセスが特徴だ。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Optimising deep learning inference across edge devices and optimisation
targets such as inference time, memory footprint and power consumption is a key
challenge due to the ubiquity of neural networks. Today, production deep
learning frameworks provide useful abstractions to aid machine learning
engineers and systems researchers. However, in exchange they can suffer from
compatibility challenges (especially on constrained platforms), inaccessible
code complexity, or design choices that otherwise limit research from a systems
perspective. This paper presents Orpheus, a new deep learning framework for
easy prototyping, deployment and evaluation of inference optimisations. Orpheus
features a small codebase, minimal dependencies, and a simple process for
integrating other third party systems. We present some preliminary evaluation
results.
- Abstract(参考訳): エッジデバイス間でのディープラーニング推論の最適化と、推論時間、メモリフットプリント、消費電力といった最適化ターゲットは、ニューラルネットワークの普及による重要な課題である。
現在、プロダクションディープラーニングフレームワークは、機械学習エンジニアやシステム研究者を支援するために有用な抽象化を提供する。
しかし、それと引き換えに、互換性の問題(特に制約のあるプラットフォームでは)、アクセス不能なコードの複雑さ、あるいはシステムの観点からの研究を制限する設計選択に苦しむ可能性がある。
提案するOrpheusは,推論最適化の容易なプロトタイピング,展開,評価を行うための新しいディープラーニングフレームワークである。
Orpheusは小さなコードベース、最小限の依存関係、他のサードパーティシステムを統合するためのシンプルなプロセスを備えている。
予備評価結果を示す。
関連論文リスト
- Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - Neural Network Pruning by Gradient Descent [7.427858344638741]
我々は,Gumbel-Softmaxテクニックを取り入れた,新しい,かつ簡単なニューラルネットワークプルーニングフレームワークを提案する。
ネットワークパラメータの0.15%しか持たないMNISTデータセット上で、高い精度を維持しながら、例外的な圧縮能力を実証する。
我々は,ディープラーニングプルーニングと解釈可能な機械学習システム構築のための,有望な新たな道を開くと信じている。
論文 参考訳(メタデータ) (2023-11-21T11:12:03Z) - DLAS: An Exploration and Assessment of the Deep Learning Acceleration
Stack [3.7873597471903935]
私たちはDeep Learning Acceleration Stack (DLAS)で機械学習とシステム技術を組み合わせています。
2つのデータセット間でDLASのパラメータが異なる場合の精度と推定時間への影響を評価した。
全体として、圧縮技術によって提供されるスピードアップは、非常にハードウェアに依存している。
論文 参考訳(メタデータ) (2023-11-15T12:26:31Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳(メタデータ) (2023-01-30T12:38:31Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳(メタデータ) (2022-04-21T05:27:09Z) - Monotonic Neural Network: combining Deep Learning with Domain Knowledge
for Chiller Plants Energy Optimization [1.4508333270892002]
現実世界の物理システムにおける深層ネットワークトレーニングのための膨大なデータ収集は困難である。
本稿では,非線形モデルを構築するための深層ネットワークの構造と損失設計におけるドメイン知識について考察する。
特に、ほとんどの冷却器のエネルギー消費推定は、入力出力単調問題として物理的に見なすことができる。
論文 参考訳(メタデータ) (2021-06-11T03:01:26Z) - Autodidactic Neurosurgeon: Collaborative Deep Inference for Mobile Edge
Intelligence via Online Learning [19.013102763434794]
本稿では,資源制約のあるモバイルデバイスと強力なエッジサーバとの間に協調的な深層推論システムを構築する。
我々のシステムには、Autodidactic Neurosurgeon (ANS)と呼ばれるオンライン学習モジュールが組み込まれており、最適な分割点を自動的に学習する。
ANSは、トラッキングシステムの変更とエンドツーエンドの推論遅延の低減の観点から、最先端のベンチマークを著しく上回る。
論文 参考訳(メタデータ) (2021-02-02T18:50:06Z) - Bringing AI To Edge: From Deep Learning's Perspective [7.308396023489246]
エッジコンピューティングと人工知能(AI)は、エッジインテリジェンスと呼ばれる新しいシステムを構築するために徐々に交差している。
これらの課題の1つは、計算集約的なディープラーニングアルゴリズムと、計算能力の低いエッジシステムの間のテキスト計算のギャップである。
本稿では,エッジインテリジェンスシステムに有用な代表的かつ最新のディープラーニング技術について調査する。
論文 参考訳(メタデータ) (2020-11-25T12:07:21Z) - Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。
我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。
我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
論文 参考訳(メタデータ) (2020-10-01T15:59:31Z) - Learning to Stop While Learning to Predict [85.7136203122784]
多くのアルゴリズムにインスパイアされたディープモデルは全ての入力に対して固定深度に制限される。
アルゴリズムと同様に、深いアーキテクチャの最適深さは、異なる入力インスタンスに対して異なるかもしれない。
本稿では, ステアブルアーキテクチャを用いて, この様々な深さ問題に対処する。
学習した深層モデルと停止ポリシーにより,多様なタスクセットのパフォーマンスが向上することを示す。
論文 参考訳(メタデータ) (2020-06-09T07:22:01Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳(メタデータ) (2020-03-13T13:11:35Z)
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。