机构名称：
¥ 1.0
随着当前时代神经网络的研究，开发和应用的迅速增加，训练和使用模型所需的能量成比例增加。至关重要的是，这伴随着向环境排放的增加。一种可持续的有益方法，可减少与AI/深度学习现代时代相关的碳足迹和能源需求的上升，这是模型的适应性和连续再利用，这些模型在模型部署环境或输入数据中的变化/变化环境的变化方面进行了自适应。在此pa-per中，我们提出了预索引，这是一个预测索引，以估算与模型重新验证与数据分布变化相关的环境和计算资源。预索引可用于估计环境成本，例如从当前数据分布到新数据分布时碳排放和能源的使用。它还与并可以用来估计具有深度学习的其他资源指标，例如时期，梯度规范和模型参数变化的幅度。preedectex仅涉及数据的一个前传递，然后它提供了一个简洁的价值，以估算与重新验证的新分布移位数据相关的资源。我们表明，可以在各种数据集，模型体系结构，不同类型和分布变化的强度之间可靠地使用preedex。此工作的代码可在此处提供：https：//github.com/jekimlab/aies2024preindex因此，preIndex使用户能够做出明智的决策，以重新进行不同的分发转移，并确定最具成本效益和可持续性的选择，从而可以重新使用在环境中具有较小占地面积的模型。
估算整个模型的自适应生命周期
主要关键词
相关文件推荐
