OPTIMIZING MACHINE LEARNING RUNNING TIME

An optimization of running time for performing a machine learning algorithm on a processor architecture may be performed and include determining a plurality of parameters to be configured in the machine learning algorithm, and initiating, in the optimization, a plurality of iterations of performance of the machine learning algorithm by the processor architecture. Each of the iterations may include detecting a running time of an immediately preceding one of the iterations, changing a value of one of the parameters used in the immediately preceding iteration to form a new set of values, where the value is changed based on the detected running time of the immediately preceding iteration and according to a downhill simplex algorithm. An optimal set of values for the parameters may be determined based on the plurality of iterations to realize a minimum running time to complete performance of the machine learning algorithm by the processor architecture. L'invention porte sur une optimisation du temps d'exécution pour la réalisation d'un algorithme d'apprentissage automatique sur une architecture de processeur pouvant être effectuée et comprendre la détermination d'une pluralité de paramètres à configurer dans l'algorithme d'apprentissage automatique, et lancer, dans l'optimisation, une pluralité d'itérations de performances de l'algorithme d'apprentissage automatique par l'architecture de processeur. Chacune des itérations peut comprendre la détection d'un temps d'exécution d'une itération immédiatement précédente parmi les itérations, la modification d'une valeur de l'un des paramètres utilisés dans l'itération immédiatement précédente pour former un nouvel ensemble de valeurs, la valeur étant modifiée sur la base du temps d'exécution détecté de l'itération immédiatement précédente et selon un algorithme fantôme de descente. Un ensemble optimal de valeurs pour les paramètres peut être déterminé sur la base de la pluralité d'itérations afin de réaliser un temps d'exécution minimal pour achever la performance de l'algorithme d'apprentissage automatique par l'architecture de processeur.