論文の概要: Comparing neural network training performance between Elixir and Python
- arxiv url: http://arxiv.org/abs/2210.13945v1
- Date: Tue, 25 Oct 2022 11:57:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 16:01:16.279507
- Title: Comparing neural network training performance between Elixir and Python
- Title（参考訳）: ElixirとPythonのニューラルネットワークトレーニング性能の比較
- Authors: Lucas C. Tavano, Lucas K. Amin, Adolfo Gustavo Serra-Seca-Neto
- Abstract要約: Pythonは、それ自体を主要なプログラミング言語の1つとして名づけた。
2021年2月、Jos'e ValimとSean Moriarityは、Nxライブラリの最初のバージョンを発表した。
- 参考スコア（独自算出の注目度）: 0.9023847175654603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With a wide range of libraries focused on the machine learning market, such
as TensorFlow, NumPy, Pandas, Keras, and others, Python has made a name for
itself as one of the main programming languages. In February 2021, Jos\'e Valim
and Sean Moriarity published the first version of the Numerical Elixir (Nx)
library, a library for tensor operations written in Elixir. Nx aims to allow
the language be a good choice for GPU-intensive operations. This work aims to
compare the results of Python and Elixir on training convolutional neural
networks (CNN) using MNIST and CIFAR-10 datasets, concluding that Python
achieved overall better results, and that Elixir is already a viable
alternative.
- Abstract（参考訳）: TensorFlow、NumPy、Pandas、Kerasなど、機械学習市場にフォーカスした幅広いライブラリによって、Pythonは、それ自体を主要なプログラミング言語の1つとして名付けた。
2021年2月、Jos\'e Valim と Sean Moriarity は Elixir で書かれたテンソル演算のためのライブラリである Numerical Elixir (Nx) ライブラリの最初のバージョンを発表した。
Nxは、GPU集約的な操作に適した言語になることを目指している。
この研究は、MNISTとCIFAR-10データセットを使用した畳み込みニューラルネットワーク(CNN)のトレーニングにおいて、PythonとElixirの結果を比較することを目的としている。
関連論文リスト
- No Saved Kaleidosope: an 100% Jitted Neural Network Coding Language with Pythonic Syntax [0.8408735228878615]
我々は,C++,LLVM,Cudaを用いてニューラルネットワークを学習するためのjittedコンパイラを開発した。
オブジェクト指向の特徴、強い型付け、データ前処理のための並列ワーカー、式のためのピソニック構文、PyTorchのようなモデル宣言、自動微分などが特徴である。
論文 参考訳（メタデータ） (2024-09-17T23:15:39Z) - iSpLib: A Library for Accelerating Graph Neural Networks using Auto-tuned Sparse Operations [1.3030767447016454]
iSpLibは、自動調整されたスパース操作を備えたPyTorchベースのC++ライブラリである。
iSpLibは、CPU上のPyTorch 2.1.0とPyTorch Geometric 2.4.0と同等のPyTorch 2.1.0と比較して、最大27倍のトレーニングスピードアップが得られることを示した。
論文 参考訳（メタデータ） (2024-03-21T21:56:44Z) - torchgfn: A PyTorch GFlowNet library [56.071033896777784]
torchgfnはPyTorchライブラリで、このニーズに対処することを目指している。
環境のためのシンプルなAPIと、サンプルと損失のための有用な抽象化を提供する。
論文 参考訳（メタデータ） (2023-05-24T00:20:59Z) - PyGOD: A Python Library for Graph Outlier Detection [56.33769221859135]
PyGODは、グラフデータの外れ値を検出するオープンソースライブラリである。
外れ値検出のための主要なグラフベースのメソッドを幅広くサポートしています。
PyGODはBSD 2-Clauseライセンスの下でhttps://pygod.orgとPython Package Index (PyPI)でリリースされている。
論文 参考訳（メタデータ） (2022-04-26T06:15:21Z) - Continual Inference: A Library for Efficient Online Inference with Deep
Neural Networks in PyTorch [97.03321382630975]
Continual Inferenceは、PyTorchでContinuous Inference Networks(CIN)を実装するPythonライブラリである。
我々は、CINとその実装を包括的に紹介し、現代のディープラーニングのための複雑なモジュールを構成するためのベストプラクティスとコード例を提供します。
論文 参考訳（メタデータ） (2022-04-07T13:03:09Z) - PyHHMM: A Python Library for Heterogeneous Hidden Markov Models [63.01207205641885]
PyHHMM は Heterogeneous-Hidden Markov Models (HHMM) のオブジェクト指向Python実装である。
PyHHMMは、異種観測モデル、データ推論の欠如、異なるモデルの順序選択基準、半教師付きトレーニングなど、同様のフレームワークではサポートされない機能を強調している。
PyHHMMは、numpy、scipy、scikit-learn、およびシーボーンPythonパッケージに依存しており、Apache-2.0ライセンスの下で配布されている。
論文 参考訳（メタデータ） (2022-01-12T07:32:36Z) - Using Python for Model Inference in Deep Learning [0.6027358520885614]
pythonで推論を実行しながら、パフォーマンスとパッケージングの制約を満たす方法を示します。
複数のPythonインタプリタを単一のプロセスで使用して,スケーラブルな推論を実現する方法を提案する。
論文 参考訳（メタデータ） (2021-04-01T04:48:52Z) - TensorX: Extensible API for Neural Network Model Design and Deployment [0.0]
TensorFlowXは、計算における複雑なニューラルネットワークモデルのプロトタイピング、設計、デプロイのためのPythonライブラリである。
使いやすさ、パフォーマンス、APIの一貫性に特に重点を置いています。
論文 参考訳（メタデータ） (2020-12-29T00:15:38Z) - On the distance between two neural networks and the stability of
learning [59.62047284234815]
本稿では, パラメータ距離と勾配分解を, 幅広い非線形構成関数のクラスに関連付ける。
この分析により、ニューラルネットワークの深い相対信頼と降下補題と呼ばれる新しい距離関数が導かれる。
論文 参考訳（メタデータ） (2020-02-09T19:18:39Z) - OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。
OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
論文 参考訳（メタデータ） (2020-01-28T15:46:19Z)
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。