論文の概要: Hardware-friendly Deep Learning by Network Quantization and Binarization

• arxiv url: http://arxiv.org/abs/2112.00737v1
• Date: Wed, 1 Dec 2021 13:59:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 16:59:29.523192
• Title: Hardware-friendly Deep Learning by Network Quantization and Binarization
• Title（参考訳）: ネットワーク量子化とバイナリ化によるハードウェアフレンドリーなディープラーニング
• Authors: Haotong Qin
• Abstract要約: 量子化は、ハードウェアフレンドリーなディープラーニングを促進し、リソース制限ハードウェア上でディープニューラルネットワークを実行するための効率的なアプローチである。 分散アーキテクチャの量子化と複雑なシーンの量子化という2つのカテゴリに注目します。 量子化に関する包括的な研究は、より強力で効率的で、より柔軟なハードウェアフレンドリーなディープラーニングを実現し、より現実世界のアプリケーションに適している。
• 参考スコア（独自算出の注目度）: 1.8492669447784602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantization is emerging as an efficient approach to promote hardware-friendly deep learning and run deep neural networks on resource-limited hardware. However, it still causes a significant decrease to the network in accuracy. We summarize challenges of quantization into two categories: Quantization for Diverse Architectures and Quantization on Complex Scenes. Our studies focus mainly on applying quantization on various architectures and scenes and pushing the limit of quantization to extremely compress and accelerate networks. The comprehensive research on quantization will achieve more powerful, more efficient, and more flexible hardware-friendly deep learning, and make it better suited to more real-world applications.
• Abstract（参考訳）: 量子化は、ハードウェアフレンドリーなディープラーニングを促進し、リソース制限されたハードウェア上でディープニューラルネットワークを実行するための効率的なアプローチとして現れている。 しかし、それでもネットワークの精度は大幅に低下している。 量子化の課題を,多様なアーキテクチャの量子化と複雑なシーンの量子化の2つのカテゴリにまとめる。 本研究は主に,様々なアーキテクチャやシーンに量子化を適用し,量子化の限界を極端に圧縮・加速する。 量子化に関する包括的な研究は、より強力で効率的で、より柔軟なハードウェアフレンドリーなディープラーニングを実現し、より現実世界のアプリケーションに適している。

関連論文リスト

• Quantization without Tears [26.5790668319932]
  QwT(Quantization without Tears)は、量子化速度、精度、単純さ、一般化性を同時に達成する手法である。 QwTは、量子化中の情報損失を軽減するために、軽量な追加構造を量子化ネットワークに組み込む。 様々な視覚、言語、マルチモーダルタスクにわたる広範囲な実験は、QwTが高効率かつ多目的であることを示した。
  論文  参考訳（メタデータ） (2024-11-21T08:13:24Z)
• Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
  本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。 この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。 GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2022-04-18T21:45:13Z)
• HPTQ: Hardware-Friendly Post Training Quantization [6.515659231669797]
  ハードウェアフレンドリーなポストトレーニング量子化(HPTQ)フレームワークを導入する。 分類,オブジェクト検出,セマンティックセグメンテーション,ポーズ推定の4つのタスクについて大規模な研究を行う。 ハードウェアフレンドリーな制約の下で競争結果が得られることを示す実験を行った。
  論文  参考訳（メタデータ） (2021-09-19T12:45:01Z)
• Cluster-Promoting Quantization with Bit-Drop for Minimizing Network Quantization Loss [61.26793005355441]
  クラスタ・プロモーティング・量子化(CPQ)は、ニューラルネットワークに最適な量子化グリッドを見つける。 DropBitsは、ニューロンの代わりにランダムにビットをドロップする標準のドロップアウト正規化を改訂する新しいビットドロップ技術である。 本手法を様々なベンチマークデータセットとネットワークアーキテクチャ上で実験的に検証する。
  論文  参考訳（メタデータ） (2021-09-05T15:15:07Z)
• Training Multi-bit Quantized and Binarized Networks with A Learnable Symmetric Quantizer [1.9659095632676098]
  リソース制約のあるデバイスやクラウドプラットフォームにそれらをデプロイするには、ディープニューラルネットワークの重み付けとアクティベーションの定量化が不可欠だ。 双対化は量子化の特別な場合であるが、この極端な場合はしばしばいくつかの訓練の困難をもたらす。 双対化の困難を克服するため,uniq と呼ばれる統一量子化フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-04-01T02:33:31Z)
• All at Once Network Quantization via Collaborative Knowledge Transfer [56.95849086170461]
  オールオンス量子化ネットワークを効率的にトレーニングするための新しい共同知識伝達アプローチを開発しています。 具体的には、低精度の学生に知識を伝達するための高精度のエンクォータを選択するための適応的選択戦略を提案する。 知識を効果的に伝達するために,低精度の学生ネットワークのブロックを高精度の教師ネットワークのブロックにランダムに置き換える動的ブロックスワッピング法を開発した。
  論文  参考訳（メタデータ） (2021-03-02T03:09:03Z)
• Ps and Qs: Quantization-aware pruning for efficient low latency neural network inference [56.24109486973292]
  超低遅延アプリケーションのためのニューラルネットワークのトレーニング中の分級と量子化の相互作用を研究します。 量子化アウェアプルーニングは,タスクのプルーニングや量子化のみよりも計算効率のよいモデルであることが判明した。
  論文  参考訳（メタデータ） (2021-02-22T19:00:05Z)
• FactorizeNet: Progressive Depth Factorization for Efficient Network Architecture Exploration Under Quantization Constraints [93.4221402881609]
  量子化制約下での効率的なCNNアーキテクチャ探索のためのプログレッシブ・ディープ・ファクタライズ・ストラテジーを導入する。 アルゴリズムによって深度分解の粒度を漸進的に増大させることで,層状分布の微細で低レベルな解析が可能となる。 このようなプログレッシブな深度分解戦略は、最適深度分解マクロ構造設計の効率的な同定を可能にする。
  論文  参考訳（メタデータ） (2020-11-30T07:12:26Z)
• Once Quantization-Aware Training: High Performance Extremely Low-bit Architecture Search [112.05977301976613]
  本稿では,ネットワークアーキテクチャ検索手法と量子化手法を組み合わせることで,両者のメリットを享受することを提案する。 まず、多数の量子化モデルを取得するために、共有ステップサイズでアーキテクチャと量子化の合同トレーニングを提案する。 次に、量子化されたモデルを低ビットに転送するためにビット継承方式を導入し、さらに時間コストを削減し、量子化精度を向上させる。
  論文  参考訳（メタデータ） (2020-10-09T03:52:16Z)
• DBQ: A Differentiable Branch Quantizer for Lightweight Deep Neural Networks [4.358626952482686]
  本稿では, 効率的な3成分系ドット製品エンジンにシームレスにマッピングできる新しい非一様量子化器を提案する。 提案する量子化器 (DBQ) は,MobileNetV1, MobileNetV2, ShuffleNetV2 などの軽量ネットワークを積極的に定量化するという,突進的な課題に対処する。 DBQは、トレーニングオーバーヘッドを最小限に抑えながら、最先端の成果を達成し、最適な(最適に最適化された)精度/複雑さのトレードオフを提供する。
  論文  参考訳（メタデータ） (2020-07-19T23:50:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。