AI推理硬件训练数据

本数据集包含数千条AI推理硬件（GPU/TPU类）的性能监控数据，经清洗、筛选及特征工程，新生成带宽压力特征，以动态功耗作为回归预测目标。数据按8:1:1划分为训练集、验证集和测试集，可直接用于监督学习模型训练。对外部企业而言，本数据可用于训练动态功耗预测模型，帮助云服务商、数据中心运营商、边缘计算设备厂商根据易测指标实时估算推理功耗，从而优化任务调度、降低制冷成本、延长电池供电设备续航。此外，本数据集可为机器学习模型提供高质量训练数据，用于训练功耗异常检测模型、负载自适应调频模型等，具有重要的行业应用价值。独立性：本数据集通过明确的筛选条件、独立新生成特征计算及随机划分，形成自包含的训练数据。必要性：原始字段缺乏如带宽压力这类显式交互特征，直接训练模型效果较差。本数据集直接提供干净、带新生成特征的标准化训练数据，是AI推理硬件功耗建模任务的基础。1.加工前的数据说明 原始数据为AI推理硬件运行状态监控日志，以表格形式存储，每行代表一个采样时刻，按编号顺序排列。总样本量达数千行，所有字段均为数值型且无缺失值。原始数据包含MAC利用率（%）、显存带宽（GB/s）、推理延迟（ms）、吞吐量（FPS）、动态功耗（W）、漏电功耗（W）、能效比（TOPS/W）共7个字段。 2.处理规则 首先，对原始数据进行质量检查，剔除超出物理合理范围的记录，并删除所有字段完全相同的重复记录。其次，基于原始字段新生成一个自变量字段：带宽压力=显存带宽×MAC利用率。因变量设定为动态功耗。最后，将处理后的全部数据按8:1:1比例随机划分为训练集、验证集和测试集。基于随机森林回归算法构建动态功耗预测模型，以6个原始自变量加上1个新生成自变量共7个输入，动态功耗为输出。通过网格搜索优化超参数，特征重要性分析表明MAC利用率、带宽压力和吞吐量是影响动态功耗的关键因素。模型在测试集上达到R²>0.92的良好精度，验证了本数据集的有效性。 3.数据内容描述 最终产出数据集包含7个自变量、1个因变量（动态功耗）。所有数据均来自真实硬件运行环境，覆盖轻载到重载、低能效到高能效、低带宽到高带宽等多种组合，具有高多样性和真实噪声。该数据集结构清晰、指标完整，可直接用于训练AI推理硬件动态功耗的回归预测模型。

搜集汇总

背景与挑战

背景概述

本数据集包含4909条AI推理硬件（GPU/TPU类）的性能监控记录，通过清洗、筛选及特征工程新增了“带宽压力”特征，以动态功耗为预测目标，并按8:1:1比例划分为训练集、验证集和测试集。数据覆盖从轻载到重载、低能效到高能效、低带宽到高带宽等多种真实工况，经随机森林回归模型验证，测试集R²>0.92，证明其高质量和有效性。该数据集可直接用于训练动态功耗预测模型，助力云服务商、数据中心和边缘设备厂商实现实时功耗估算与任务优化。