Interpretable ML enhanced CNN Performance Analysis of cuBLAS, cuDNN and TensorRT

Zhumakhan Nazir, Vladislav Yarovenko, Jurn-Gyu Park

2023

Достоверность данных 70 средняя

Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

Deep learning models such as convolutional neural networks (CNNs) have a wide range of perception applications in image classification and object detection. However, despite the same CNN architectures, inference performance is different from implementations of specific libraries such as cuBLAS, cuDNN, and TensorRT. To investigate the performance effects of the state-of-the-art GPU libraries, this paper performs a case study of comparison and performance analysis of cuBLAS, cuDNN, and TensorRT implementations/libraries on YOLOv4-tiny, introducing crucial nvprof metrics for fair comparison and rationales of different performance and proposing interpretable machine learning (ML) model-based analysis. The results of our interpretable ML models show 100% accuracy in the classification and 0.0094 MAPE in the regression tasks respectively.