Inference energy modeling for BERT models
Notice bibliographique
Résumé
BERT achieved great success in Natural Language Processing (NLP).BERT models are computationally expensive due to their model size with hundreds of millions of parameters making them impractical to deploy to resource-constrained hardware platforms such as mobile devices.One way to optimize these complex models is to utilize hardware-aware neural architecture search (NAS).However, hardware-aware NAS needs to incorporate hardware performance metrics, such as energy consumption.Although on-device measurements provide accurate feedback, the overhead is huge.To address this problem, we propose an energy modelling framework on the Hikey 970 ARM big.LITTLE CPU and Mali GPU to predict the inference energy consumption of BERT models.We train energy predictor models on BERT and MobileBERT design space.We evaluate our BERT energy predictor's ability to generalize to the DistilBERT and DynaBERT design space Combined with the real accuracy values on the QNLI task, we evaluate our energy model's ability to predict Pareto-optimal front in the 2D accuracy-energy design space of DynaBERT models.Our model correctly predicts 14 out of the 17 true Pareto-optimal models.List of Tables xi 5.4 DistilBERT on CPU big cluster: The performance of predictor in terms of MAPE, percentage of models in 5%, 10%, 20% error band . . . . . . . . . .54 5.5 DistilBERT on CPU LITTLE cluster: The performance of predictor in terms of MAPE, percentage of models in 5%, 10%, 20% error band . . . . . . . . .55 5.6 MobileBERT on CPU big cluster: The performance of predictor in terms of MAPE, percentage of models in 5%, 10%, 20% error band . . . . . . . . . .56 5.7 MobileBERT on CPU LITTLE cluster: The performance of predictor in terms of MAPE, percentage of models in 5%, 10%, 20% error band . . . . . . . . .56 6.1 DynaBERT design space . . . . . . . . .
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 | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 ».