EdgeTune: Inference-Aware Hyperparameter Tuning
Notice bibliographique
Résumé
# EdgeTune: Inference-Aware Hyperparameter Tuning The results of EdgeTune have been presented at the ACM Middleware 2022 conference. If you use this software, please cite us: ``` @inproceedings{10.1145/3528535.3533273, author = {Rocha, Isabelly and Felber, Pascal and Schiavoni, Valerio and Chen, Lydia}, title = {EdgeTune: Inference-Aware Multi-Parameter Tuning}, year = {2022}, isbn = {9781450393409}, publisher = {Association for Computing Machinery}, address = {New York, NY, USA}, url = {https://doi.org/10.1145/3528535.3533273}, doi = {10.1145/3528535.3533273}, booktitle = {Proceedings of the 23rd Conference on 23rd ACM/IFIP International Middleware Conference}, pages = {1–14}, numpages = {14}, keywords = {tuning, deep neural networks, training, inference}, location = {Quebec, QC, Canada}, series = {Middleware '22} } ``` ## Install pip3 ```Shell $ sudo apt-get update $ sudo apt-get install python3-pip ``` ## Install Python dependencies - Intel (nuc) ```Shell $ pip3 install torch torchvision keras tensorflow ray[rllib] pandas tensorflow_datasets ``` - ARM (RaspberryPi) ```Shell $ git clone https://github.com/Ben-Faessler/Python3-Wheels.git $ sudo pip3 install Python3-Wheels/pytorch/torch-1.5.0a0+4ff3872-cp37-cp37m-linux_armv7l.whl $ sudo pip3 install Python3-Wheels/torchvision/torchvision-0.6.0a0+b68adcf-cp37-cp37m-linux_armv7l.whl ``` - Jetson Nano ```Shell $ wget https://nvidia.box.com/shared/static/wa34qwrwtk9njtyarwt5nvo6imenfy26.whl -O torch-1.7.0-cp36-cp36m-linux_aarch64.whl $ sudo apt-get install python3-pip libopenblas-base libopenmpi-dev $ pip3 install Cython $ pip3 install numpy torch-1.7.0-cp36-cp36m-linux_aarch64.whl $ sudo apt-get install libjpeg-dev zlib1g-dev $ git clone --branch v0.8.1 https://github.com/pytorch/vision torchvision $ cd torchvision $ export BUILD_VERSION=0.8.1 $ sudo python3 setup.py install ``` ## Install cpupower (for frequency scaling) ```Shell $ sudo apt-get install linux-cpupower $ cpufreq-info # get cpu frequency information $ cpufreq-set -u min -d max # set cpu frequency ``` ## Power Measurements Setup - InfluxDB ```Shell $ sudo apt install influxdb $ service influxdb start $ influx $ CREATE DATABASE power ``` - PowerSpy Power ```Shell $ pip install influxdb $ python powerspy.py MAC ``` - POE Power ```Shell $ apt-get install python-bluez bluez $ hcitool scan $ hcitool dev $ systemctl restart bluetooth.service $ pip3 install influxdb $ python3 poe_power.py -p PORT ``` - RAPL ```Shell $ sudo chmod -R a+r /sys/class/powercap/intel-rapl ``` ## Change rapl permissions ```Shell sudo chmod -R a+r /sys/class/powercap/intel-rapl ``` ## Install cuda dependencies ```Shell $ wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin $ sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600 $ sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub $ sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ /" $ sudo apt-get update $ $ sudo apt install nvidia-cuda-toolkit
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,013 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».