SysML'19 演示：可定制可复用的 Collective Knowledge 流水线以自动化并复现机器学习实验
机器学习
2019-04-02 v1
摘要
复现、比较和重用机器学习与系统论文中的结果是一个极其繁琐、临时且耗时的过程。我将演示如何使用社区开发的、开源、可移植、可定制且基于 CLI 的 Collective Knowledge 工作流与流水线来自动化这一过程。我将帮助参与者运行来自 SysML'19 会议、企业（通用汽车、Arm）及 MLPerf 基准测试的几个真实非虚拟化 CK 工作流，以自动化机器学习负载的高效软件/硬件栈的基准测试与协同设计。我希望我们的方法能帮助作者减少分享可复用、可扩展研究产物的精力，同时使产物评估者能以标准化、可移植的方式自动验证已发表论文中的实验结果。
引用
@article{arxiv.1904.00324,
title = {SysML'19 demo: customizable and reusable Collective Knowledge pipelines to automate and reproduce machine learning experiments},
author = {Grigori Fursin},
journal= {arXiv preprint arXiv:1904.00324},
year = {2019}
}
备注
Accepted demo at the Conference on Systems and Machine Learning (SysML'19)