GAISSALabel：一种用于机器学习模型能耗标记的工具
软件工程
2024-01-31 v1
摘要
背景：信息技术，尤其是机器学习 (ML)，对环境日益增长的影响凸显了在软件工程中采取可持续实践的必要性。机器学习模型日益增加的复杂性和能耗需要相应的工具来评估和提升其能效。目标：本文介绍 GAISSALabel，一个基于网络的工具，旨在评估和标记机器学习模型的能效。方法：GAISSALabel 是先前关于机器学习能效分类研究的技术转移成果，由一个整体工具构成，用于评估机器学习模型的训练和推理阶段，考量功耗、模型尺寸效率、二氧化碳当量排放等多种指标。结果：GAISSALabel 提供了一套类似于消费电器上标签的能效标记系统，使其易于不同背景的机器学习利益相关者使用。该工具的适应性允许对提议的标记系统进行定制，确保了其在快速发展的机器学习领域的相关性。结论：GAISSALabel 代表了可持续软件工程向前迈出的重要一步，为平衡高性能机器学习模型与环境影响提供了一种解决方案。该工具的有效性和市场相关性将通过计划中的技术接受模型评估进一步验证。
引用
@article{arxiv.2401.17150,
title = {GAISSALabel: A tool for energy labeling of ML models},
author = {Pau Duran and Joel Castaño and Cristina Gómez and Silverio Martínez-Fernández},
journal= {arXiv preprint arXiv:2401.17150},
year = {2024}
}
备注
4 pages, 2 figures, 1 table