Los resultados de MLPerf destacan un entrenamiento de ML más potente

Hoy, MLCommons®, un consorcio abierto de ingeniería, publicó nuevos resultados de MLPerf™ Training v2.0, que mide el rendimiento de los modelos de entrenamiento de aprendizaje automático. Los modelos de formación permiten a los investigadores desarrollar nuevas habilidades más rápidamente, como B. el diagnóstico de tumores, el reconocimiento automático de voz o la mejora de las recomendaciones cinematográficas. Los últimos resultados de capacitación de MLPerf muestran una amplia participación de la industria y un rendimiento hasta 1,8 veces superior, lo que finalmente allana el camino para sistemas inteligentes más potentes que beneficiarán a la sociedad en general.

El conjunto de pruebas comparativas de capacitación de MLPerf incluye pruebas completas del sistema que enfatizan los modelos de aprendizaje automático, el software y el hardware para una amplia gama de aplicaciones. La suite de referencia de código abierto y revisada por pares proporciona un campo de juego nivelado que impulsa la innovación, el rendimiento y la eficiencia energética para toda la industria.

En esta ronda, MLPerf Training agregó un nuevo punto de referencia de detección de objetos que entrena el nuevo modelo de referencia RetinaNet en el conjunto de datos OpenImages más grande y diverso. Esta nueva prueba refleja con mayor precisión la capacitación de ML de vanguardia para aplicaciones como la prevención de colisiones para vehículos y robótica, y análisis minorista.

«Me complace presentar nuestro nuevo punto de referencia de detección de objetos, que se creó en base a una amplia retroalimentación de un consejo asesor de clientes y es una excelente herramienta para tomar decisiones de compra, desarrollar nuevos aceleradores y mejorar el software», dijo David Kanter, director ejecutivo de MLCommons. .

Los resultados de MLPerf Training v2.0 incluyen más de 250 resultados de rendimiento de 21 colaboradores diferentes, incluidos Azure, Baidu, Dell, Fujitsu, GIGABYTE, Google, Graphcore, HPE, Inspur, Intel-HabanaLabs, Lenovo, Nettrix, NVIDIA, Samsung y Supermicro. En particular, MLCommons quisiera felicitar a los aprendices de MLPerf ASUSTeK, CASIA, H3C, HazyResearch, Krai y MosaicML por primera vez.

Para ver los resultados y encontrar más información sobre los puntos de referencia, visite https://mlcommons.org/en/training-normal-20/

Acerca de MLCommons

MLCommons es un consorcio de ingeniería abierto con la misión de beneficiar a la sociedad acelerando la innovación en el aprendizaje automático. La base de MLCommons comenzó con el punto de referencia MLPerf en 2018, que rápidamente se convirtió en un conjunto de métricas de la industria para medir el rendimiento del aprendizaje automático y promover la transparencia de las técnicas de aprendizaje automático. Trabajando con sus más de 50 socios fundadores (proveedores de tecnología global, académicos e investigadores), MLCommons se enfoca en el trabajo de ingeniería colaborativo que desarrolla herramientas para toda la industria del aprendizaje automático a través de puntos de referencia y métricas, conjuntos de datos públicos y mejores prácticas.

Regístrese para recibir el boletín gratuito insideBIGDATA.

Únase a nosotros en Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1