fathom 3.c 机器学习框架的说明和举例很有价值

表1里举了很多种基准测试方法的情况吗？

他要探究的模型的表现的角度：工作负载训练和推理的行为，花费的时间，模型和硬件的关系，模型性能情况的相似度，缩放模型并行的影响

解释vgg、alaxnet、deepq、seq2seq、deep speech等模型的情况

tf1框架特征的说明

基准的运行环境，我现在的设备都比它好，但我要测的模型也变成了怪物

把模型的运算过程分得很细，图3所示，各种模型的操作占比不同

在CPU上表现的差距会反映到GPU上

调研CortexSuite、BenchNN、DjiNN and Tonic基准套件发布后的模型（新）

https://arxiv.org/pdf/1608.06581.pdf

“C:\Users\tellw\open_title\papers\benchmark\Fathom- Reference Workloads for Modern Deep Learning Methods.pdf”

Robert Adolf, Saketh Rama, Brandon Reagen, Gu-Yeon Wei, and David Brooks. 2016. Fathom: Reference Workloads for Modern Deep Learning Methods. In Workload Characterization (IISWC), 2016 IEEE International Symposium on. IEEE, 1–10.

创建于2023.3.11/15.31，修改于2023.3.11/16.37