mlcommons/training
کاربرد:
این پروژه شامل پیاده‌سازی‌های مرجع برای معیارهای آموزش MLPerf است که به توسعه‌دهندگان و محققان کمک می‌کند تا عملکرد سیستم‌های یادگیری ماشینی خود را در تسک‌های مختلف آموزش مدل ارزیابی کنند.
در چه شرایطی بهتره استفاده شود؟
زمانی که نیاز به مقایسهٔ عادلانه و استانداردشدهٔ عملکرد سخت‌افزارها یا فریم‌ورک‌های یادگیری ماشین دارید، مثل زمان تست کردن GPUها، توزیع‌های کلاستر، یا بهینه‌سازی کدهای آموزش مدل. همچنین برای تیم‌های تحقیقاتی که می‌خواهند نتایج خود را با استانداردهای صنعت مقایسه کنند عالیه.
چند مثال از موارد استفاده
- ارزیابی سرعت آموزش مدل‌های بزرگ مثل BERT یا ResNet روی سخت‌افزار جدید
- مقایسهٔ عملکرد فریم‌ورک‌های مختلف (مثل PyTorch vs TensorFlow) در شرایط یکسان
- بهینه‌سازی تنظیمات آموزش توزیع‌شده (distributed training) برای کاهش زمان آموزش
- استفاده توسط شرکت‌های فناوری برای ارائهٔ نتایج رسمی در رقابت‌های MLPerf
- ##MLPerf
- ##MachineLearning
- ##TrainingBenchmarks
- ##AIResearch
- ##DeepLearning
- ##ModelTraining
- ##PerformanceTesting
- ##DistributedTraining
- ##ResNet
- ##BERT