返回
Reduced-Complexity Deep Neural Networks Design Using Multi-Level Compression
DOI:10.1109/TSUSC.2017.2710178.png)
摘要
En 中文
深度神经网络已经在许多领域取得了巨大的成功。然而,许多DNN模型既深又大,从而导致在训练和推理阶段期间的高存储和能量消耗。本文提出了多级压缩框架。通过利用从结构压缩到权重压缩到表示压缩的跨层参数减少技术,所提出的压缩策略可以实现训练和推理的网络大小的数量级减少,而精度损失可以忽略不计,从而导致非常高效和高精度的DNN模型。实验表明,所提出的策略可以在密集矩阵方面实现约1.8K的压缩比,并且对于整个模型可以实现约30倍的压缩比。
Keyword:
Deep neural network
reduced complexity
compression
期刊
I
IF:
5
论文数:
1.8K
被引数:
4.3K
机构
引用论文
Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用
PROCEEDINGS OF THE IEEE
IF25.9
Enhancing the Photoactivity of Faceted BiVO4 via Annealing in Oxygen‐Deficient Condition在缺氧条件下通过退火增强刻面BiVO4 的光活性
Stress in Puberty Unmasks Latent Neuropathological Consequences of Prenatal Immune Activation in Mice青春期应激揭示了小鼠产前免疫激活的潜在神经病理后果
Science
IF0
没有更多内容

