新的深度剪枝方法提高了视觉Transformer的效率

研究人员开发了一种名为HetDPT的新方法来改进视觉Transformer（ViTs）的深度剪枝。该方法考虑了不同层之间的异构性，而这是先前深度剪枝技术的局限性。HetDPT避免了维度不匹配的问题，并在ImageNet-1K和CIFAR-100等数据集上实现了显著的加速，同时保持了准确性。当与宽度剪枝结合时，HetDPT+在极端的ViT剪枝方面设定了新的最先进水平，在接近无损准确率的情况下实现了更高的加速比。 AI

影响 这项研究可能导致在各种应用中更高效、更快速地部署视觉Transformer模型。

排序理由 该集群包含一篇详细介绍优化视觉Transformer新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• ADE20K
• CIFAR-100
• COCO
• DeiT-B
• DeiT-S
• HetDPT
• ImageNet-1K
• Isomorphic-Pruning-2.6G
• Vision Transformers

• 论文
• 模型发布

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