GN⁺: 머신 러닝을 위한 머신 러닝 기술의 발전
(blog.research.google)ML 컴파일러의 최적화
- ML 컴파일러는 사용자가 작성한 프로그램을 실제 하드웨어에서 실행할 수 있는 명령어로 변환하는 소프트웨어 루틴임.
- ML 프로그램은 계산 그래프로 표현될 수 있으며, 노드는 텐서 연산을, 엣지는 텐서 흐름을 나타냄.
- ML 컴파일러는 그래프 수준과 커널 수준 최적화를 포함한 다양한 복잡한 최적화 문제를 해결해야 함.
TpuGraphs 데이터셋
- ML 모델의 효율성을 높이기 위해 ML 컴파일러를 개선하는 것을 목표로 함.
- 학습된 비용 모델을 컴파일러에 장착하여 프로그램과 컴파일러 구성을 입력받고 프로그램의 예상 실행 시간을 출력함.
- TpuGraphs 데이터셋은 Google의 사용자 정의 Tensor Processing Units(TPUs)에서 실행되는 프로그램에 대한 학습 비용 모델을 위해 출시됨.
Kaggle 경진대회
- TpuGraph 데이터셋을 사용한 "Fast or Slow? Predict AI Model Runtime" 경진대회가 792명의 참가자와 616개 팀이 참여하여 종료됨.
- 참가자들은 그래프 가지치기/압축, 특징 패딩 값, 노드 특징, 교차 구성 주의 등 다양한 새로운 기술을 사용함.
NeurIPS 엑스포
- 구조화된 데이터와 인공지능에 대한 연구에 관심이 있다면, 12월 9일에 개최된 NeurIPS Expo 패널 "Graph Learning Meets Artificial Intelligence"를 주목할 것.
GN⁺의 의견
- ML 컴파일러의 최적화는 ML 모델의 실행 속도와 효율성을 크게 향상시킬 수 있는 중요한 분야임.
- TpuGraphs 데이터셋과 같은 자원은 ML 기반 프로그램 최적화 연구를 촉진하고, ML 시스템의 성능을 개선하는 데 기여함.
- Kaggle 경진대회는 ML 커뮤니티의 협력과 혁신을 촉진하는 플랫폼으로, 참가자들이 새로운 접근 방식과 기술을 공유하고 발전시키는 데 도움을 줌.
Hacker News 의견
-
ML 컴파일러에 대한 과대평가
ML 컴파일러들이 과대평가되고 있음. 전통적인 컴파일러와 마찬가지로 트레이드오프가 존재하며, 전문 성능 프로그래머를 고용하는 것보다 처리량은 많지만, 후자가 종종 훨씬 더 높은 성능을 낼 수 있음. ML 컴파일러는 여러 수준에서 열등한데, 알고리즘적으로는 네트워크 수정 방법에 대한 피드백을 제공하지 않고, 의도의 손실이 발생하며, 비효율적인 커널을 생성함. 전문 어셈블리 프로그래머와 비교했을 때 컴파일러의 성능이 30% 이상 떨어짐.
-
ML 컴파일러의 현재 상태와 약속
ML 컴파일러의 현재 상태와 단기적인 약속에 대한 질문.
-
계산 그래프의 실행 시간 성능 예측 개선
GNN을 사용하여 계산 그래프의 실행 시간 성능을 예측하는 방법 개선에 대한 요약. 각 노드의 오퍼레이션 코드에 대한 임베딩 사전과 다른 노드 특성을 사용하며, TPU에서의 다양한 XLA 컴파일 구성과 그에 따른 성능 데이터셋을 공개함. 더 큰 그래프에 대한 예측을 개선하기 위해 그래프 분할(METIS 그래프 분할)과 다른 훈련 방법을 사용함. 이는 성능 예측에만 관련되어 있고, 새로운 동등한 그래프를 개선하거나 제안하는 것은 아님.
-
Gemini 프로젝트에 대한 질문
Gemini 프로젝트의 현재 상태에 대한 질문.
-
그래프 내의 합성곱(conv) 작동 방식 설명 요청
특정 형태의 텐서에 대한 합성곱 연산이 어떻게 이루어지는지에 대한 설명 요청.
-
트랜스포머에 대한 최적성 여부
트랜스포머가 어떤 방식으로 최적인지에 대한 징후가 있는지에 대한 질문.
-
첫 문단에 대한 의견
첫 문단이 주요 내용을 가리고 있다는 의견이지만, 그 외에는 흥미로운 내용이라는 평가.
-
ML의 발전 속도에 대한 감탄
ML이 현재 놀라운 속도로 발전하고 있으며, 싱귤래리티를 믿지는 않지만 소프트웨어와 사회를 예측할 수 없는 방식으로 변화시키고 있다는 의견.
-
[플래그된 댓글]
두 개의 댓글이 플래그되어 내용을 볼 수 없음.