Praktisches Deep Learning für Cloud, Mobile und Edge

Kapitel 6. Maximierung der Geschwindigkeit und Leistung von TensorFlow: Eine praktische Checkliste

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Im Leben geht es darum, mit dem auszukommen, was wir haben, und Optimierung ist der Name des Spiels.

Es geht nicht darum, alles zu haben - es geht darum, deine Ressourcen klug zu nutzen. Vielleicht wollen wir wirklich den Ferrari kaufen, aber unser Budget erlaubt uns einen Toyota. Aber weißt du was? Mit dem richtigen Leistungstuning können wir diesen bösen Buben bei NASCAR-Rennen antreten lassen!

Betrachten wir das mal aus der Sicht der Deep Learning-Welt. Google hat mit seiner Ingenieursmacht und TPU Pods, die den Ozean zum Kochen bringen können, einen Geschwindigkeitsrekord aufgestellt und ImageNet in nur 30 Minuten trainiert! Nur ein paar Monate später schaffte es ein bunt zusammengewürfeltes Team von drei Forschern (Andrew Shaw, Yaroslav Bulatov und Jeremy Howard) mit 40 Dollar in der Tasche und einer öffentlichen Cloud, ImageNet in nur 18 Minuten zu trainieren!

Die Lektion, die wir aus diesen Beispielen ziehen können, ist, dass die Menge der Ressourcen, die du hast, nicht annähernd so wichtig ist, wie die Nutzung ihres maximalen Potenzials. Es geht darum, mit weniger mehr zu erreichen. In diesem Sinne soll dieses Kapitel als praktische Checkliste für mögliche Leistungsoptimierungen dienen, die wir beim Aufbau aller Phasen der Deep-Learning-Pipelines ...