.png){kind=icon}
返回
Make RepVGG Greater Again: A Quantization-Aware Approach
.png){kind=icon}
OA
AI
DOI：10.1609/aaai.v38i10.29045.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
性能与推理速度之间的权衡对于实际应用至关重要。架构重参数化能够获得更好的权衡，并已成为现代卷积神经网络中越来越受欢迎的组成部分。然而，当需要INT8推理时，其量化性能通常差到无法部署（例如，在ImageNet上top-1准确率下降超过20%）。在本文中，我们深入探究了这一失败的根本机制，即原始设计不可避免地扩大了量化误差。我们提出了一种简单、鲁棒且有效的方法，以获得一种量化友好的结构，同时仍能享受重参数化的益处。我们的方法显著缩小了RepVGG的INT8与FP32准确率之间的差距。无需复杂操作，通过标准的后训练量化，ImageNet上的top-1准确率下降被控制在2%以内。在检测和语义分割任务上的大量实验验证了其泛化能力。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息