Planificación y aceleración de algoritmos de machine learning

Mostrar todas las versiones(2)

El crecimiento exponencial del interés del Machine Learning (ML) en la última década está relacionado con tres avances fundamentales: 1.el desarrollo de mejores algoritmos con aplicaciones directas en muchos campos de la ciencia y la ingeniería; 2.la disponibilidad de cantidades masivas de datos y l...

Descripción completa

Detalles Bibliográficos
Autores principales:	Libutti, Leandro Ariel, De Giusti, Laura Cristina, Naiouf, Marcelo
Formato:	Articulo Comunicacion
Lenguaje:	Español
Publicado:	2021
Materias:	Informática HPC Paralelismo Dinámico Tensorflow Co-Planificación
Acceso en línea:	http://sedici.unlp.edu.ar/handle/10915/117780 https://revistas.unlp.edu.ar/InvJov/article/view/11777
Aporte de:	SEDICI (UNLP) de Universidad Nacional de La Plata

id	I19-R120-10915-117780
record_format	dspace
spelling	I19-R120-10915-1177802023-05-31T13:33:01Z http://sedici.unlp.edu.ar/handle/10915/117780 https://revistas.unlp.edu.ar/InvJov/article/view/11777 issn:2314-3991 Planificación y aceleración de algoritmos de machine learning Optimization of Energy Consumption in Parallel Algorithms Libutti, Leandro Ariel De Giusti, Laura Cristina Naiouf, Marcelo 2021 2021-04-26T12:58:14Z es Informática HPC Paralelismo Dinámico Tensorflow Co-Planificación El crecimiento exponencial del interés del Machine Learning (ML) en la última década está relacionado con tres avances fundamentales: 1.el desarrollo de mejores algoritmos con aplicaciones directas en muchos campos de la ciencia y la ingeniería; 2.la disponibilidad de cantidades masivas de datos y la viabilidadde almacenarlos y analizarlos de manera eficiente3.La aparición de arquitecturas de hardware novedosas, normalmente paralelas y / u homogéneas, que permiten una explotación adecuada de ambos nuevos algoritmos en grandes conjuntos de datos en un tiempo asequible.Elframework de ML denominado TensorFlow (TF) se diseñó para proporcionar capacidades de subprocesos múltiples, extendidas con soporte de acelerador de hardware para aprovechar el potencial de las arquitecturas modernas. La cantidad de paralelismo en las versiones actuales se puede seleccionar en varios niveles bajo demanda. Sin embargo, esta selección es fija y no puede variar durante la ejecución de sesiones de entrenamiento / inferencia. Esto restringe en gran medida la flexibilidad y elasticidaddel framework, especialmente en escenarios en los que múltiples instancias de TF coexisten en una arquitectura paralela. Universidad Nacional de La Plata Articulo Comunicacion http://creativecommons.org/licenses/by/4.0/ Creative Commons Attribution 4.0 International (CC BY 4.0) application/pdf 552-553
institution	Universidad Nacional de La Plata
institution_str	I-19
repository_str	R-120
collection	SEDICI (UNLP)
language	Español
topic	Informática HPC Paralelismo Dinámico Tensorflow Co-Planificación
spellingShingle	Informática HPC Paralelismo Dinámico Tensorflow Co-Planificación Libutti, Leandro Ariel De Giusti, Laura Cristina Naiouf, Marcelo Planificación y aceleración de algoritmos de machine learning
topic_facet	Informática HPC Paralelismo Dinámico Tensorflow Co-Planificación
description	El crecimiento exponencial del interés del Machine Learning (ML) en la última década está relacionado con tres avances fundamentales: 1.el desarrollo de mejores algoritmos con aplicaciones directas en muchos campos de la ciencia y la ingeniería; 2.la disponibilidad de cantidades masivas de datos y la viabilidadde almacenarlos y analizarlos de manera eficiente3.La aparición de arquitecturas de hardware novedosas, normalmente paralelas y / u homogéneas, que permiten una explotación adecuada de ambos nuevos algoritmos en grandes conjuntos de datos en un tiempo asequible.Elframework de ML denominado TensorFlow (TF) se diseñó para proporcionar capacidades de subprocesos múltiples, extendidas con soporte de acelerador de hardware para aprovechar el potencial de las arquitecturas modernas. La cantidad de paralelismo en las versiones actuales se puede seleccionar en varios niveles bajo demanda. Sin embargo, esta selección es fija y no puede variar durante la ejecución de sesiones de entrenamiento / inferencia. Esto restringe en gran medida la flexibilidad y elasticidaddel framework, especialmente en escenarios en los que múltiples instancias de TF coexisten en una arquitectura paralela.
format	Articulo Comunicacion
author	Libutti, Leandro Ariel De Giusti, Laura Cristina Naiouf, Marcelo
author_facet	Libutti, Leandro Ariel De Giusti, Laura Cristina Naiouf, Marcelo
author_sort	Libutti, Leandro Ariel
title	Planificación y aceleración de algoritmos de machine learning
title_short	Planificación y aceleración de algoritmos de machine learning
title_full	Planificación y aceleración de algoritmos de machine learning
title_fullStr	Planificación y aceleración de algoritmos de machine learning
title_full_unstemmed	Planificación y aceleración de algoritmos de machine learning
title_sort	planificación y aceleración de algoritmos de machine learning
publishDate	2021
url	http://sedici.unlp.edu.ar/handle/10915/117780 https://revistas.unlp.edu.ar/InvJov/article/view/11777
work_keys_str_mv	AT libuttileandroariel planificacionyaceleraciondealgoritmosdemachinelearning AT degiustilauracristina planificacionyaceleraciondealgoritmosdemachinelearning AT naioufmarcelo planificacionyaceleraciondealgoritmosdemachinelearning AT libuttileandroariel optimizationofenergyconsumptioninparallelalgorithms AT degiustilauracristina optimizationofenergyconsumptioninparallelalgorithms AT naioufmarcelo optimizationofenergyconsumptioninparallelalgorithms
_version_	1767633945864699904

Planificación y aceleración de algoritmos de machine learning

Ejemplares similares