抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深層学習における前処理パイプラインは,訓練プロセスバスを保つために十分なデータスループットを提供することを目的とする。資源利用の最大化は,訓練プロセスのスループットがハードウェア革新(例えば,より速いGPUs,TPU,および相互接続間)と,より良いスケーラビリティをもたらす高度な並列化技法によって増加するので,より挑戦的になっている。同時に,ますます複雑なモデルを訓練するために必要な訓練データの量は成長している。この開発の結果として,データ前処理と準備はエンドツーエンド深層学習パイプラインの厳しいボトルネックになっている。本論文では,4つの異なる機械学習ドメインからのデータ前処理パイプラインの詳細な解析を提供した。エンドツーエンド深層学習パイプラインのためのデータセットを効率的に準備し,個々のトレードオフを抽出し,スループット,前処理時間,および貯蔵消費を最適化した。さらに,スループットを最大化するための適切な前処理戦略を自動的に決定することができるオープンソースプロファイリングライブラリを提供した。実世界利用ケースに生成した洞察を適用することにより,パイプラインを機能的に同一に保ちながら,非同調システムと比較して3xから13xのスループット増加を得た。これらの知見は,データパイプライン調整の巨大な可能性を示した。【JST・京大機械翻訳】