Implementierung einer kombinierten Metrik für die Bewertung verschiedener Plattform/DNN-Experimente

Kontext

Deep Learning (DL) bezeichnet eine maschinelle Lernmethode der künstlichen Intelligenz, bei der neuronale Netze beliebige Funktionen approximieren und eine Vielzahl von Aufgaben lösen. In den meisten Fällen erreichen sie eine höhere Vorhersagegenauigkeit als Menschen. Allerdings sind sie selten so effizient wie Menschen. Um z. B. die Energieeffizienz zu erhöhen, werden spezielle Hardware-Beschleuniger entwickelt, die jedoch häufig die Genauigkeit durch die Anwendung von Kompressionsverfahren verschlechtern. Daher besteht ein Zielkonflikt zwischen Genauigkeit und Ressourcen, der für jede Anwendung individuell bewertet werden muss. Um das Co-Design von Modellen und Beschleunigern zu erleichtern, sollten Genauigkeit und Ressourcen bei der Entwicklung kombiniert berücksichtigt werden.

Ziele

Ziel dieser Arbeit ist die Implementierung einer kombinierten Metrik zur Bewertung von verschiedenen Plattform- und Deep Neural Network (DNN)-Experimenten. Dazu wird eine Literaturrecherche durchgeführt, um geeignete ähnliche Metriken zu identifizieren. Diese Metrik wird angewendet, um DNN-Beschleuniger zu bewerten. Darüber hinaus wird sie angepasst, um den Kompromiss zwischen Genauigkeit und Ressourcen zu quantifizieren und das Co-Design in verschiedenen Domänen zu bewerten.

Voraussetzungen

• Programmiererfahrung in Python und C++
• Grundlegende Kenntnisse über neuronale Netze
• Motivation und Interesse, technische Probleme selbständig zu lösen