.png){kind=icon}
返回
Two-phase collaborative model compression training for joint pruning and quantization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.108506.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 我们提出了一种统一的协作式模型压缩训练方法，将剪枝、量化与性能目标相结合，平衡训练过程中的复杂度降低和精度损失。
• 一种结合稀疏正则化和量化误差的新型约束函数实现了自动剪枝和高效量化，提升了准确率与硬件效率。
• 基于预训练网络的我们提出的两步训练法联合优化剪枝和量化，避免了误差累积，实现了更高的压缩效率与模型性能。
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
A. J. Moshayedi, Y. Xie, M. Sharifdoust, A. S. Khan, Evaluating OMNI robot navigation with SLAM in CoppeliaSim: hemangiomas and nonhomogeneous paths, Transformation 1 (1) (2024) 7–14.A. J. Moshayedi, Y. Xie, M. Sharifdoust, A. S. Khan, 《在CoppeliaSim中评估OMNI机器人的SLAM导航：血管瘤和非均匀路径》, 《Transformation》1 (1) (2024) 7–14..png)
IF0
PREAI
分享收藏MXQN:Mixed quantization for reducing bit-width of weights and activations in deep convolutional neural networksAPPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏ADFQ-ViT: Activation-Distribution-Friendly post-training Quantization for Vision TransformersAdfq-vit: 视觉转换器的激活分布友好的训练后量化NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Inception-v4, Inception-ResNet and the Impact of Residual Connections on LearningInception-v4、Inception-ResNet和剩余连接对学习的影响
OAAI
OAAI分享收藏HFPQ: deep neural network compression by hardware-friendly pruning-quantizationHFPQ: 通过硬件友好的修剪量化进行深度神经网络压缩APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Transfer learning using VGG-16 with Deep Convolutional Neural Network for Classifying Images基于深度卷积神经网络VGG-16的迁移学习图像分类
PREAI
分享收藏
查看更多内容