AI-United » Allgemein » Google hat die Compiler-Entwicklung für ML-Modelle entdeckt

Google hat die Compiler-Entwicklung für ML-Modelle entdeckt

Google entwickelt eine Infrastruktur zum Trainieren von ML-Modellen von Open-Source-Entwicklern der LLVM Foundation. Früher annoncierte Google MLIR. MLIR ist ein Kompilator zur Einbettung von ML-Modellen in Anwendungen. 

MLIR lässt die Modelle auf verschiedenen Geräten ausführen. Das Unternehmen unternimmt diesen Schritt, damit die ML-Community MLIR so schnell wie möglich akzeptiert.

Warum ist dies wichtig?

MLIR löst das Problem der Inkompatibilität der Frameworks zum Trainieren und Implementieren von ML-Modellen. Das beeinflusst die Geschwindigkeit der Entwicklung und die Benutzerfreundlichkeit beim Einsetzen der Anwendungen, in die ML-Modelle eingebettet sind.

ML-Modelle werden jetzt auf verschiedenen Typen von Rechenmechanismen trainiert: GPU / TPU, Mikrosteuereinheiten. Mit der Entwicklung von Frameworks zum Lehren der Modelle wird das Problem der gemeinsamen Benutzung verschiedener Frameworks akut. 

Die Entscheidung, die Entwicklung zu eröffnen, dürfte die schnellere Akzeptanz der Infrastruktur in der Entwicklergemeinschaft fördern.

Die Partner des Projekts

Das Ziel von MLIR liegt darin, die Standard-ML-Infrastruktur zu werden. Offizielle Partner dieses Projekts sind AMD, ARM, Cerebras, Graphcore, Habana, IBM, Intel, Mediatek, NVIDIA, Qualcomm Technologies, Inc, SambaNova Systems, Samsung, Xiaomi, Xilinx. 

Die Partnerunternehmen stellen gemeinsam mehr als 95% der Rechenzentren (weltweit), mehr als 4 Milliarden Mobiltelefone und IoT-Geräte her. Google MLIR wurde auf allen Servern und mobilen Geräten implementiert und eingesetzt.

Quelle
AI-United-Redaktion

Kommentar hinzufügen

Your email address will not be published. Required fields are marked *

300-101   400-101   300-320   300-070   300-206   200-310   300-135   300-208   810-403   400-050   640-916   642-997   300-209   400-201   200-355   352-001   642-999   350-080   MB2-712   400-051   C2150-606   1Z0-434   1Z0-146   C2090-919   C9560-655   642-64   100-101   CQE   CSSLP   200-125   210-060   210-065   210-260   220-801   220-802   220-901   220-902   2V0-620   2V0-621   2V0-621D   300-075   300-115   AWS-SYSOPS   640-692   640-911   1Z0-144   1z0-434   1Z0-803   1Z0-804   000-089   000-105   70-246   70-270   70-346   70-347   70-410