論文の概要: FECoM: A Step towards Fine-Grained Energy Measurement for Deep Learning
- arxiv url: http://arxiv.org/abs/2308.12264v1
- Date: Wed, 23 Aug 2023 17:32:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 13:15:40.127263
- Title: FECoM: A Step towards Fine-Grained Energy Measurement for Deep Learning
- Title(参考訳): fecom:深層学習のための細粒度エネルギー計測への一歩
- Authors: Saurabhsingh Rajput, Tim Widmayer, Ziyuan Shang, Maria Kechagia,
Federica Sarro, Tushar Sharma
- Abstract要約: 深層学習エネルギー消費測定のためのフレームワークであるFECoM(Fine-fine Energy Consumption Meter)を紹介する。
我々は、最も人気のあるオープンソースDLフレームワークの1つであるFECoMの詳細なエネルギー消費を測定する能力を評価する。
細粒度エネルギー消費測定ツールを設計・実装する際に考慮すべき事項,課題,課題について詳述する。
- 参考スコア(独自算出の注目度): 11.37120215795946
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With the increasing usage, scale, and complexity of Deep Learning (DL)
models, their rapidly growing energy consumption has become a critical concern.
Promoting green development and energy awareness at different granularities is
the need of the hour to limit carbon emissions of DL systems. However, the lack
of standard and repeatable tools to accurately measure and optimize energy
consumption at a fine granularity (e.g., at method level) hinders progress in
this area. In this paper, we introduce FECoM (Fine-grained Energy Consumption
Meter), a framework for fine-grained DL energy consumption measurement.
Specifically, FECoM provides researchers and developers a mechanism to profile
DL APIs. FECoM addresses the challenges of measuring energy consumption at
fine-grained level by using static instrumentation and considering various
factors, including computational load and temperature stability. We assess
FECoM's capability to measure fine-grained energy consumption for one of the
most popular open-source DL frameworks, namely TensorFlow. Using FECoM, we also
investigate the impact of parameter size and execution time on energy
consumption, enriching our understanding of TensorFlow APIs' energy profiles.
Furthermore, we elaborate on the considerations, issues, and challenges that
one needs to consider while designing and implementing a fine-grained energy
consumption measurement tool. We hope this work will facilitate further
advances in DL energy measurement and the development of energy-aware practices
for DL systems.
- Abstract(参考訳): ディープラーニング(DL)モデルの使用量、規模、複雑さの増大に伴い、その急速なエネルギー消費は重要な関心事となっている。
異なる粒度でのグリーン開発とエネルギー意識の促進は、dlシステムの二酸化炭素排出量を制限する時間の必要性である。
しかし、エネルギー消費を正確に測定し、最適化するための標準的かつ繰り返し可能なツールがない(例えば、メソッドレベルで)ため、この分野の進歩は妨げられる。
本稿では,微細なDLエネルギー消費測定のためのフレームワークであるFECoM(Fine-fine Energy Consumption Meter)を紹介する。
具体的には、FECoMは研究者と開発者にDL APIをプロファイルするメカニズムを提供する。
FECoMは、静的計測を用いて、計算負荷や温度安定性など様々な要因を考慮し、エネルギー消費をきめ細かいレベルで測定するという課題に対処する。
我々は、最も人気のあるオープンソースDLフレームワークの1つであるTensorFlowに対して、FECoMの詳細なエネルギー消費を測定する能力を評価する。
また、FECoMを用いて、パラメータサイズと実行時間がエネルギー消費に与える影響を調査し、TensorFlow APIのエネルギープロファイルの理解を深める。
さらに,細粒度エネルギー消費測定ツールの設計と実装において考慮すべき考慮事項,課題,課題について詳述する。
本研究は, DLエネルギー測定のさらなる進歩と, DLシステムのための省エネ実践の展開を期待する。
関連論文リスト
- TinyML NLP Approach for Semantic Wireless Sentiment Classification [49.801175302937246]
本稿では,エネルギー効率のよいプライバシ保護型小型機械学習(MLTiny)方式としてスプリットラーニング(SL)を導入する。
その結果,SLは高い精度を維持しながら処理能力とCO2排出量を低減し,FLは効率とプライバシのバランスのとれた妥協を提供することがわかった。
論文 参考訳(メタデータ) (2024-11-09T21:26:59Z) - Computing Within Limits: An Empirical Study of Energy Consumption in ML Training and Inference [2.553456266022126]
機械学習(ML)は大きな進歩を遂げているが、その環境のフットプリントは依然として懸念されている。
本稿では,グリーンMLの環境影響の増大を認め,グリーンMLについて検討する。
論文 参考訳(メタデータ) (2024-06-20T13:59:34Z) - Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。
SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。
本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
論文 参考訳(メタデータ) (2023-11-15T23:23:42Z) - A Carbon Tracking Model for Federated Learning: Impact of Quantization and Sparsification [5.341266334051207]
フェデレートラーニング(FL)手法は効率的なコミュニケーション技術を採用し、エッジデバイスに機械学習タスクを分散させる。
本稿では,FLシステムのエネルギーおよび炭素フットプリントへの影響をリアルタイムにモニタリングするためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-12T07:20:03Z) - ecoBLE: A Low-Computation Energy Consumption Prediction Framework for
Bluetooth Low Energy [9.516475567386768]
Bluetooth Low Energy (BLE) はモノのインターネット(IoT)アプリケーションのためのデファクト技術であり、非常に低エネルギー消費を約束している。
本稿では,Long Short-Term Memory Projection (LSTMP)ベースのBLEエネルギー消費予測フレームワークを提案する。
提案手法は, 平均絶対パーセンテージ誤差 (MAPE) を最大12%とすることで, 異なるBLEノードのエネルギー消費を予測する。
論文 参考訳(メタデータ) (2023-08-02T13:04:23Z) - EnergyVis: Interactively Tracking and Exploring Energy Consumption for
ML Models [8.939420322774243]
EnergyVisは機械学習(ML)モデルのためのインタラクティブなエネルギー消費トラッカーです。
研究者は、重要なエネルギー消費と炭素フットプリントのメトリクス間で、モデルエネルギー消費をインタラクティブに追跡、可視化、比較することができる。
EnergyVisは、モデルトレーニング中に過剰なエネルギー使用量をインタラクティブに強調することで、計算持続可能性に関する意識向上を目指しています。
論文 参考訳(メタデータ) (2021-03-30T15:33:43Z) - Energy Drain of the Object Detection Processing Pipeline for Mobile
Devices: Analysis and Implications [77.00418462388525]
本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。
我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
論文 参考訳(メタデータ) (2020-11-26T00:32:07Z) - Towards Accurate and Reliable Energy Measurement of NLP Models [20.289537200662306]
既存のソフトウェアベースのエネルギー測定は、ハードウェアの違いや資源利用がエネルギー消費に与える影響を考慮していないため、正確ではないことを示す。
我々は,高精度なエネルギー測定を行うハードウェアパワーメータを用いて,既存のソフトウェアベースのエネルギー測定の誤差を定量化する。
我々の重要な特徴は、ハードウェアの多様性と資源利用とエネルギー消費の非線形関係を考慮に入れたより正確なエネルギー推定モデルの必要性である。
論文 参考訳(メタデータ) (2020-10-11T13:44:52Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳(メタデータ) (2020-02-21T02:14:38Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳(メタデータ) (2020-02-20T04:58:07Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳(メタデータ) (2020-01-31T05:12:59Z)
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。