ترجمه فارسی مقاله تأثیر تاکتیک‌های بهینه‌سازی یادگیری ماشین بر مدل‌های سبزتر از قبل آموزش دیده یادگیری ماشین

چکیده

Background: Given the fast-paced nature of today’s technology, which has surpassed human performance in tasks like image classification, visual reasoning, and English understanding, assessing the impact of Machine Learning (ML) on energy consumption is crucial. Traditionally, ML projects have prioritized accuracy over energy, creating a gap in energy consumption during model inference. Aims: This study aims to (i) analyze image classification datasets and pre-trained models, (ii) improve inference efficiency by comparing optimized and non-optimized models, and (iii) assess the economic impact of the optimizations. Method: We conduct a controlled experiment to evaluate the impact of various PyTorch optimization techniques (dynamic quantization, torch.compile, local pruning, and global pruning) to 42 Hugging Face models for image classification. The metrics examined include GPU utilization, power and energy consumption, accuracy, time, computational complexity, and economic costs. The models are repeatedly evaluated to quantify the effects of these software engineering tactics. Results: Dynamic quantization demonstrates significant reductions in inference time and energy consumption, making it highly suitable for large-scale systems. Additionally, torch.compile balances accuracy and energy. In contrast, local pruning shows no positive impact on performance, and global pruning’s longer optimization times significantly impact costs. Conclusions: This study highlights the role of software engineering tactics in achieving greener ML models, offering guidelines for practitioners to make informed decisions on optimization methods that align with sustainability goals.

چکیده به فارسی (ترجمه ماشینی)

سابقه و هدف: با توجه به ماهیت سریع فن آوری امروز ، که از عملکرد انسان در کارهایی مانند طبقه بندی تصویر ، استدلال بصری و درک انگلیسی فراتر رفته است ، ارزیابی تأثیر یادگیری ماشین (ML) بر مصرف انرژی بسیار مهم است.به طور سنتی ، پروژه های ML دقت در مورد انرژی را در اولویت قرار داده اند و باعث ایجاد شکاف در مصرف انرژی در هنگام استنتاج مدل می شوند.اهداف: این مطالعه با هدف (i) تجزیه و تحلیل مجموعه داده های طبقه بندی تصویر و مدل های از پیش آموزش داده شده ، (ب) بهبود راندمان استنباط با مقایسه مدلهای بهینه شده و بهینه سازی شده ، و (III) ارزیابی تأثیر اقتصادی بهینه سازی ها.روش: ما یک آزمایش کنترل شده را برای ارزیابی تأثیر تکنیک های مختلف بهینه سازی pytorch (کمیت پویا ، مشعل ، هرس ، هرس محلی و هرس جهانی) به 42 مدل چهره بغل برای طبقه بندی تصویر انجام می دهیم.معیارهای مورد بررسی شامل استفاده از GPU ، مصرف انرژی و انرژی ، دقت ، زمان ، پیچیدگی محاسباتی و هزینه های اقتصادی است.مدل ها به طور مکرر برای تعیین کمیت اثرات این تاکتیک های مهندسی نرم افزار مورد ارزیابی قرار می گیرند.یافته ها: کمیت پویا کاهش قابل توجهی در زمان استنباط و مصرف انرژی را نشان می دهد ، و آن را برای سیستم های در مقیاس بزرگ بسیار مناسب می کند.علاوه بر این ، مشعل.در مقابل ، هرس محلی هیچ تأثیر مثبتی بر عملکرد نشان نمی دهد ، و بهینه سازی طولانی تر هرس جهانی به میزان قابل توجهی بر هزینه ها تأثیر می گذارد.نتیجه گیری: این مطالعه نقش تاکتیک های مهندسی نرم افزار در دستیابی به مدلهای ML سبزتر را برجسته می کند ، و دستورالعمل هایی را برای پزشکان ارائه می دهد تا در مورد روش های بهینه سازی که با اهداف پایداری هماهنگ هستند ، تصمیمات آگاهانه بگیرند.