欢迎光临盛达娱乐官网!

新闻资讯

盛达娱乐 > 新闻资讯 >

可用于在一个容器内运行基准的 Dockerfile

2018-05-04 17:15

  盛达娱乐(http://www.xgsic.com)Intersect360 Research 的 CEO Addison Snell 称:「现在那么多公司在发展 AI,提供基准测试的尝试具备极高的重要性,尤其是对于大量互相竞争的技术。但是,AI 领域非常多样化,我怀疑是否会出现主导的单一基准。想想五年前所有围绕大数据和分析学的热情;尽管每个人都尝试定义它,行业并没有提供一个统一、常用的基准。我认为 AI 领域也会是这种情况。」
  Hyperion Research 的高级研究副总裁 Steve Conway 称 MLPerf 是「很好、很有用的」一步,「因为多年来对于买方和卖方来说确实缺乏一个基准来展现不同 AI 产品和解决方案之间的区别。这个基准似乎是为了解决如今 AI 早期主要的受限问题(bounded problem)而创建的。之后随着 AI 开始出现未受限问题(unbounded problem,它们将是经济上最重要的问题),我们将需要额外的基准。受限问题相对简单,例如声音和图像识别或玩游戏等。未受限问题例如诊断癌症,其对应的受限问题可能是读取 MRI 图像;未受限问题能够在非常复杂的问题上推荐决策。」
  MLPref 已经在 GitHub 上开源,但仍然处于非常早期的阶段,正如 MLPref 所强调的:「这次发布的更像是一个内部测试版,它仍可以从多个方面改进。该基准仍然在开发和精炼中,可以查看下方的 Suggestions 部分了解如何贡献该开源项目。我们期待在五月末能基于用户输入进行大幅更新。」
  目前在 MLPerf 套装中的 7 个基准,每一个都有参考实现:
  图像分类—ResNet-50 v1(ImageNet)
  目标检测—Mask R-CNN(COCO)
  语音识别—DeepSpeech2(Librispeech)
  翻译—Transformer(WMT English—German)
  推荐—Neural Collaborative Filtering(MovieLens 20 Million (ml-20m))
  情感分析—Seq-CNN(IMDB 数据集)
  强化学习—Mini-go(预测 pro 游戏中的移动)
  每个参考实现提供了:至少在一个框架中实现模型的代码;可用于在一个容器内运行基准的 Dockerfile;下载合适数据集的脚本;运行模型训练和计时的脚本;数据集、模型和机器设置的相关文档。
 

相关推荐

  • 新闻资讯

  • 联系我们

    2130962838@qq.com
    juanlove5210ysxb
    2130962838