메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Minseong Kim (Korea University) Kyu Hyun Choi (Korea University) Yoonah Paik (Korea University) Seon Wook Kim (Korea University)
저널정보
대한전자공학회 IEIE Transactions on Smart Processing & Computing IEIE Transactions on Smart Processing & Computing Vol.10 No.2
발행연도
2021.4
수록면
128 - 135 (8page)
DOI
10.5573/IEIESPC.2021.10.2.128

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Using deep learning, we can currently build computational models composed of multiple processing layers to learn representations of data. Convolutional neural networks (CNNs) have been widely adopted to achieve significant performance in image recognition and classification. TensorFlow, an open-source deep learning framework from Google, uses profiling to select one convolution algorithm, from among several available, as the core of a CNN to deliver the best performance in terms of execution time and memory usage. However, the overhead from profiling is considerably significant, because TensorFlow executes and profiles all the available algorithms for the best selection whenever an application is launched. We observe that memory usage overshoots during profiling, which limits data parallelism, and thus, fails to deliver maximum performance. In this paper, we present a novel profiling method to reduce overhead by storing the profile result from the first run and reusing it from the second run on. Using Inception-V3, we achieved up to 1.12 times and 1.11 times higher throughput, compared to the vanilla TensorFlow and TensorFlow with XLA JIT compilation, respectively, without losing accuracy.
#TensorFlow #Profiling #Optimization #Batch

목차

Abstract
1. Introduction
2. TensorFlow and Its Profiling Execution
3. Architecture Proposal
4. Experimental Evaluation
5. Conclusion
References

참고문헌 (25)

참고문헌 신청
M. Abadi et al., "Tensorflow: A System for Largescale Machine Learning," in Proc. of OSDI'16, Berkeley, CA, USA, pp. 265-283, 2016. google schola Y. Jia et al., "Caffe: Convolutional Architecture for Fast Feature Embedding," in Proc. of MM'14, New York, NY, USA, pp. 675-678, ACM, 2014. Article (CrossRef Link) google schola F. Bastien et al., "Theano: New Features and Speed Improvements," CoRR, abs/1211.5590, 2012. google schola R. Al-Rfou et al., "Theano: A Python Framework for Fast Computation of Mathematical Expressions," CoRR, abs/1605.02688, 2016. google schola Keras, https://github.com/fchollet/keras, 2015. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

단어의 문맥 정보 확장을 위한 지식 임베딩 기법
김예원 ,  김장원 한국정보기술학회논문지 2022 .11

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2021-569-001651252