論文の概要: Memory visualization tool for training neural network

• arxiv url: http://arxiv.org/abs/2110.13264v1
• Date: Mon, 25 Oct 2021 20:58:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 15:46:42.453652
• Title: Memory visualization tool for training neural network
• Title（参考訳）: ニューラルネットワークトレーニング用メモリ可視化ツール
• Authors: Mahendran N
• Abstract要約: ソフトウェアと機械学習のアルゴリズムを組み合わせることで、ソフトウェアはより良いソリューションと環境理解を提供する。 ディープラーニングモデルの開発と訓練に使用されるメモリ分析のための新しいツール。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Software developed helps world a better place ranging from system software, open source, application software and so on. Software engineering does have neural network models applied to code suggestion, bug report summarizing and so on to demonstrate their effectiveness at a real SE task. Software and machine learning algorithms combine to make software give better solutions and understanding of environment. In software, there are both generalized applications which helps solve problems for entire world and also some specific applications which helps one particular community. To address the computational challenge in deep learning, many tools exploit hardware features such as multi-core CPUs and many-core GPUs to shorten the training time. Machine learning algorithms have a greater impact in the world but there is a considerable amount of memory utilization during the process. We propose a new tool for analysis of memory utilized for developing and training deep learning models. Our tool results in visual utilization of memory concurrently. Various parameters affecting the memory utilization are analysed while training. This tool helps in knowing better idea of processes or models which consumes more memory.
• Abstract（参考訳）: ソフトウェア開発は、システムソフトウェア、オープンソース、アプリケーションソフトウェアなど、世界をより良くするのに役立つ。 ソフトウェアエンジニアリングは、実際のSEタスクでの有効性を示すために、コード提案やバグレポートの要約などにニューラルネットワークモデルを適用する。 ソフトウェアと機械学習のアルゴリズムを組み合わせることで、ソフトウェアはより良いソリューションと環境理解を提供する。 ソフトウェアには、世界中の問題を解決するのに役立つ汎用アプリケーションと、特定のコミュニティに役立つ特定のアプリケーションの両方があります。 ディープラーニングにおける計算上の課題に対処するため、多くのツールは、マルチコアCPUやマルチコアGPUなどのハードウェア機能を活用して、トレーニング時間を短縮する。 機械学習アルゴリズムは、世界に大きな影響を与えるが、プロセス中にかなりの量のメモリ利用がある。 本稿では,ディープラーニングモデルの開発と学習に使用されるメモリの分析ツールを提案する。 我々のツールは同時にメモリの視覚的利用をもたらす。 トレーニング中にメモリ利用に影響する様々なパラメータを解析する。 このツールは、より多くのメモリを消費するプロセスやモデルのより良い考えを知るのに役立ちます。

関連論文リスト

• KGym: A Platform and Dataset to Benchmark Large Language Models on Linux Kernel Crash Resolution [59.20933707301566]
  大規模言語モデル(LLM)は、ますます現実的なソフトウェア工学(SE)タスクにおいて一貫して改善されている。 現実世界のソフトウェアスタックでは、Linuxカーネルのような基本的なシステムソフトウェアの開発にSEの取り組みが費やされています。 このような大規模システムレベルのソフトウェアを開発する際にMLモデルが有用かどうかを評価するため、kGymとkBenchを紹介する。
  論文  参考訳（メタデータ） (2024-07-02T21:44:22Z)
• Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
  本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
  論文  参考訳（メタデータ） (2023-08-10T13:19:10Z)
• Modelling Concurrency Bugs Using Machine Learning [0.0]
  このプロジェクトは、一般的な機械学習アプローチと最近の機械学習アプローチを比較することを目的としている。 我々は、実生活(同時)プログラムをシミュレートする範囲で生成する合成データセットを定義する。 各種機械学習モデルモデルの基本的な限界に関する仮説を定式化する。
  論文  参考訳（メタデータ） (2023-05-08T17:30:24Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Enable Deep Learning on Mobile Devices: Methods, Systems, and Applications [46.97774949613859]
  ディープニューラルネットワーク(DNN)は人工知能(AI)分野において前例のない成功を収めた しかし、それらの優れた性能は、計算の複雑さのかなりのコストを伴っている。 本稿では,効率的なディープラーニング手法,システム,応用について概説する。
  論文  参考訳（メタデータ） (2022-04-25T16:52:48Z)
• Frugal Machine Learning [7.460473725109103]
  本稿では,最小限の資源を用いて最も正確なモデルを構築することを目的としたフラジカルラーニングについて検討する。 最も有望なアルゴリズムは、スマートウォッチに実装して、時計自体のアクティビティ認識モデルを学ぶことによって、現実世界のシナリオで評価される。
  論文  参考訳（メタデータ） (2021-11-05T21:27:55Z)
• Memory and attention in deep learning [19.70919701635945]
  マシンのメモリ構成は避けられない。 ディープラーニングにおけるメモリモデリングの最近の進歩は、外部メモリ構築を中心に展開されている。 この論文の目的は、深層学習における記憶と注意に対する理解を深めることである。
  論文  参考訳（メタデータ） (2021-07-03T09:21:13Z)
• Diagonal Memory Optimisation for Machine Learning on Micro-controllers [21.222568055417717]
  マイクロコントローラと低消費電力CPUは、機械学習モデルによる推論の実行にますます利用されている。 これらのターゲットで利用可能な少量のRAMは、実行可能なモデルのサイズを制限する。 対角メモリ最適化技術は、11の一般的なモデルに適用した場合、最大34.5%のメモリ節約を実現するために説明され、示されている。
  論文  参考訳（メタデータ） (2020-10-04T19:45:55Z)
• Neurocoder: Learning General-Purpose Computation Using Stored Neural Programs [64.56890245622822]
  ニューロコーダ(Neurocoder)は、汎用計算機の全く新しいクラスである。 共有可能なモジュール型プログラムのセットから関連するプログラムを構成することで、データ応答性のある方法で“コード”を行う。 モジュールプログラムを学習し、パターンシフトを厳しく処理し、新しいプログラムが学習されると、古いプログラムを記憶する新しい能力を示す。
  論文  参考訳（メタデータ） (2020-09-24T01:39:16Z)
• Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
  ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。 ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。 本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
  論文  参考訳（メタデータ） (2020-05-27T11:56:56Z)

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。