相关实验视频
Updated: May 1, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
11.0K
针对深度学习模型的能源消耗指数:对架构,GPU和测量工具的比较分析
Sergio Aquino-Brítez1, Pablo García-Sánchez1, Andrés Ortiz2
1Department of Computer Engineering, Automation and Robotics, CITIC-UGR, University of Granada, 18014 Granada, Spain.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
这项研究引入了一个新的指数来衡量深度学习 (DL) 模型的能源效率,这对于可持续的人工智能 (AI) 发展至关重要. 调查结果显示,在不同的DL架构和GPU中,能源使用的差异很大.
科学领域:
- 计算机科学 计算机科学
- 环境科学 环境科学
- 电气工程 电气工程
背景情况:
- 全球对人工智能 (AI) 应用中的计算资源需求不断增长,引发了人们对能源消耗和环境影响的担忧.
- 评估深度学习 (DL) 模型能源效率的现有方法缺乏跨不同架构的标准化和适应性.
- 需要一个可量化的指标来评估和比较DL模型的能源足迹对于可持续的AI发展至关重要.
研究的目的:
- 引入和验证一种新的能源消耗指数,用于评估深度学习 (DL) 模型的能源效率.
- 提供一个标准化和可适应的框架来比较各种DL架构的能源消耗.
- 在训练和推断阶段分析代表性DL模型的能源消耗.
主要方法:
- 开发了一个新的能源消耗指数来量化DL模型的能源效率.
- 选择了代表性的DL架构 (AlexNet,ResNet18,VGG16,EfficientNet-B3,ConvNeXt-T,Swin Transformer) 进行案例研究.
- 使用基于传感器 (OpenZmeter v2) 和基于软件 (CarbonTracker,CodeCarbon) 的工具,在TITAN XP和GTX 1080 GPU上使用Imagenette数据集进行能量测量.
主要成果:
- 在不同的DL架构和GPU配置中显示了能源效率的显著差异.
- 在评估模型的培训和推断阶段的量化能源消耗差异.
- 在测试的架构中强调了模型性能和能源利用之间的权衡.
结论:
- 拟议的能源消耗指数提供了一种灵活和标准化的方法来评估DL模型的能源效率.
- 这些发现为优化人工智能系统提供了至关重要的见解,以实现更大的可持续性和减少环境影响.
- 该框架支持适用于各种计算环境的精确能源评估,推进可持续的AI实践.
