PERTINENCE 方法通过动态选择模型优化 DNN 效率

研究人员开发了 PERTINENCE，一种新颖的运行时方法，旨在优化深度神经网络 (DNN) 的计算效率。该技术根据输入复杂度从预训练模型集中动态选择最合适的模型，旨在降低计算成本和能耗，同时不显著影响准确性。在包括图像分类和基于 YOLO 的系统在内的各种数据集和应用上的评估表明，PERTINENCE 可以实现相当或更高的准确性，同时将操作减少高达 36%。 AI

影响 该方法可能导致更高效的 AI 部署，降低推理任务的硬件要求和能耗。

排序理由 详细介绍一种优化神经网络执行新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• CIFAR-10
• CIFAR-100
• Deep neural networks
• Hugging Face
• Marcello Traiola
• PERTINENCE
• TinyImageNet
• YOLO

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →