deep learning, performance optimization, machine learning, systems research
Translated keywords:
deep learning, performance optimierung, machine learning, systems forschung
TUM classification:
DAT 600; DAT 450
Abstract:
This publication-based dissertation comprises two papers that argue for more efficient resource utilization by challenging the status quo on common DL practices and providing practical guidelines and future optimization potential.
By applying an empirical approach to tackling DL bottlenecks, this work helps to improve end-to-end training times of DL systems by leveraging existing hardware focusing on both data preprocessing and DL training.
Translated abstract:
Diese publikationsbasierte Dissertation umfasst zwei Arbeiten, die für eine effizientere Ressourcennutzung plädieren, indem sie den Status quo gängiger DL-Praktiken in Frage stellen und praktische Leitlinien sowie künftiges Optimierungspotenzial bieten.
Durch die Anwendung eines empirischen Ansatzes zur Bewältigung von DL-Engpässen trägt diese Arbeit dazu bei, die End-to-End-Trainingszeiten von DL-Systemen zu verbessern, indem sie die vorhandene Hardware nutzt und sich sowohl auf die Datenvorverarbeitung als auch auf das DL-Training konzentriert.
«
Diese publikationsbasierte Dissertation umfasst zwei Arbeiten, die für eine effizientere Ressourcennutzung plädieren, indem sie den Status quo gängiger DL-Praktiken in Frage stellen und praktische Leitlinien sowie künftiges Optimierungspotenzial bieten.
Durch die Anwendung eines empirischen Ansatzes zur Bewältigung von DL-Engpässen trägt diese Arbeit dazu bei, die End-to-End-Trainingszeiten von DL-Systemen zu verbessern, indem sie die vorhandene Hardware nutzt und sich sowohl auf die Datenvorve...
»