.png){kind=icon}
返回
Neural network compression for reinforcement learning tasks
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-93955-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在实际强化学习（RL）应用中，如机器人技术等领域，低延迟、节能且高吞吐量的推理非常关键。利用稀疏性和剪枝来优化神经网络推理，特别是提高能效、延迟和吞吐量，是一种标准技术。在本工作中，我们系统性地研究了这些优化技术在主流RL算法（具体为深度Q网络和软演员评论家算法）以及不同RL环境（包括MuJoCo和Atari）中的应用，实现了神经网络规模最多减少400倍。本研究系统探讨了使用剪枝和量化优化RL任务中神经网络的适用性极限，并从硬件部署的角度出发，旨在降低功耗和延迟，同时提升吞吐量。
Keyword:
Pruning
Quantization
Reinforcement learning
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
引用论文
分享收藏Spike-driven multi-scale learning with hybrid mechanisms of spiking dendrites.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
分享收藏
查看更多内容