Neues Framework für reproduzierbare Cross-Backend-Kompatibilität im Deep Learning

Ein neues, konfigurationsbasiertes System ermöglicht es, die Kompatibilität von Deep‑Learning‑Modellen über verschiedene Laufzeitumgebungen hinweg systematisch zu prüfen. Durch die Trennung von Experimenten und Code mittels YAML kann die gleiche Konfiguration auf CPU, GPU und kompilierten Laufzeiten angewendet werden.

Das Verfahren nutzt ein dreistufiges Verifikationsprotokoll: Zunächst wird die Nähe von Tensoren überprüft, anschließend die Ausrichtung der Aktivierungen und schließlich die Leistungsmessungen auf Aufgabenebene. In einer umfangreichen Testreihe mit 672 Kontrollen über mehrere Modelle und Toleranzwerte wurden 72 % der Runs erfolgreich bestätigt.

Besonders auffällig sind Abweichungen bei Detektionsmodellen und kompilierten Backends, die häufig auf nicht deterministische Nachbearbeitung zurückzuführen sind. Durch den Einsatz deterministischer Adapter und gezielter Fallback‑Strategien lässt sich die Übereinstimmung deutlich erhöhen, ohne die Performance wesentlich zu beeinträchtigen.

Dieses erste einheitliche Framework liefert eine reproduzierbare Methodik, um Cross‑Backend‑Drift zu quantifizieren und zu minimieren, und schafft damit eine verlässliche Basis für die Bereitstellung von Deep‑Learning‑Modellen in heterogenen Laufzeitumgebungen.