机器学习能耗评估：系统文献综述与实验

监控、理解和优化机器学习 (ML) 的能耗是各类原因所致。然而，尚无统一工具可回答此问题，而且针对特定用例可能甚至存在对能耗评估方法的分歧。不同工具与方法基于不同的方法，每种方法都有各自的优势与局限，亟需梳理并阐述，以便为特定情境选择最合适的方案。我们通过两种方法来应对这一挑战：第一，系统性地综述了所有能够评估机器学习能耗的工具与方法（包括训练和推理阶段），不论其最初是否为机器学习或通用软件而设计；第二，开发并运用实验协议，对其中一批工具与方法进行比较。该比较既是定性的，也是定量的，涵盖不同性质、计算复杂度各异的机器学习任务（视觉、语言）。系统文献综述为理解评估机器学习能耗的工具方法提供了全面指南，适用于从基础能耗监控到耗能优化的各种用例。提供两个开源仓库供进一步探索：第一个包含可复制本工作或扩展当前综述的工具；第二个储存实验协议，允许用户添加新的机器学习计算任务和额外的能耗评估工具。