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

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

最新Spring Security实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)

《最新SpringSecurity实战教程之表单登录定制到处理逻辑的深度改造(最新推荐)》本章节介绍了如何通过SpringSecurity实现从配置自定义登录页面、表单登录处理逻辑的配置,并简单模拟... 目录前言改造准备开始登录页改造自定义用户名密码登陆成功失败跳转问题自定义登出前后端分离适配方案结语前言

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.