学生成绩预测模型_哥本哈根两学生开发新模型,预测深度学习算法碳排放量

本文主要是介绍学生成绩预测模型_哥本哈根两学生开发新模型,预测深度学习算法碳排放量,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1d2fca39c213a1196f2c1abff2c768fa.png

大数据文摘出品

来源:sciencedaily

编译:陈之炎、coolboy

在日常生活中,我们大多数人都在不知不觉中与一种先进的人工智能方法——深度学习亲密接触:当我们使用Siri或Alexa时,当Netflix根据我们的观影历史建议电影和电视节目时,或者当我们与网站的客户服务聊天机器人(Chatbot)对话时,深度学习算法就在此时悄悄地改变着我们的生活。

深度学习这一高速发展的技术,本来被认为是应对气候变化的有效武器,却有着一个不为人知的缺点——高能耗。按照这种趋势继续发展下去,人工智能,特别是深度学习这一子领域,或许可能成为气候变化的罪魁祸首。

从2012年到2018年,短短的六年时间里,深度学习所需的计算量增长了300,000%。然而,与开发算法相关的能耗和碳排放量却鲜有被测量,尽管已有许多研究清楚地证明了这个日益严峻的问题。

针对这一问题,哥本哈根大学计算机科学系的两名学生Lasse F.Wolff Anthony和Benjamin Kanding,协同助理教授Raghavendra Selvan一起开发了一个名为Carbontracker的软件程序,它可以计算和预测训练深度学习模型的能源消耗和二氧化碳排放量。

bf2f0a5490b80cccfb248d153adfdfcd.png 网址:

www.carbontracker.org/

Lasse F. Wolff Anthony如是说:“这一领域的开发获得了高速发展。深度学习模型在规模上不断扩大,越来越先进, 目前呈指数级增长。令大多数人意想不到的是:这意味着能源消耗正在随之增加。”

一次深度学习训练=126个丹麦家庭的年度能源消耗

深度学习训练是数学模型识别大型数据集中的模式的过程。这是一个能源密集型的过程,需要电力密集型专用硬件,每天24小时连续运行。

Benjamin Kanding说:“随着数据集日益扩大,算法需要解决的问题变得越来越复杂。”

GPT-3高级语言模型是迄今为止最大的深度学习模型之一,在一次GPT-3训练中,消耗的能耗估计为126个丹麦家庭的年度能源总消耗,排放的二氧化碳与70万公里的车程消耗的能量相当。

Lasse F.Wolff Anthony说:“在几年内,可能会有多个模型的计算量要比GPT-3的计算量大出多倍。”

改进空间

Benjamin Kanding解释道:“如果按照这种趋势发展下去,人工智能可能最终成为气候变化的一个重要因素。我们的目的并非是要阻碍技术的发展,相反,技术的发展为气候改善提供了极好的机会。我们应该及时意识到问题的存在,及时思考:应如何做出改进?”

Carbontracker是一个免费项目,它提供了一个减少模型对气候影响的起点。该项目收集在进行深度学习训练的过程中,相当于排放多少二氧化碳的数量。这样做可以将能源消耗转化为二氧化碳排放量,并对它进行预测。

这两名计算机科学学生建议,深度学习从业者应关注模型训练的时间段,因为他们部署的硬件和算法时,能源的排放在24小时内是不同的。

Lasse F.Wolff Anthony总结道:“这样做有可能大幅度减少对气候影响。例如,如果一个人选择在爱沙尼亚或瑞典训练深度学习模型,在这两地,由于供应的是绿色能源,模型训练的碳排放量可以减少60倍以上。算法的效能也有着显著的不同,某些算法需要较少的计算量,能以更少的能量消耗获得相似的结果。如果能够对算法的参数做出微调,情况会发生很大的改变。”

相关报道:

https://www.sciencedaily.com/releases/2020/11/201103104723.htm

实习/全职编辑记者招聘ing

加入我们,亲身体验一家专业科技媒体采写的每个细节,在最有前景的行业,和一群遍布全球最优秀的人一起成长。坐标北京·清华东门,在大数据文摘主页对话页回复“招聘”了解详情。简历请直接发送至zz@bigdatadigest.cn

志愿者介绍 后台回复“志愿者”加入我们

81cfda2ebbb4babd0ffe24c5d07b1f79.png

f7896046333bca8ec429d90b9a54a87b.png

f85a7b7cb985bb5be3181f1974f1b1d4.png 69a67e14d5c613449e5e09ec49661b7c.png 点「在看」的人都变好看了哦!

这篇关于学生成绩预测模型_哥本哈根两学生开发新模型,预测深度学习算法碳排放量的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/344883

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖