研究人员开发了新的神经网络量化方法,该过程可减少 AI 模型对内存和计算的要求。第一篇论文介绍了 BaKron,一种使用 Kronecker 分解的 Hessian 近似来提高量化准确性同时保持与 GPTQ 等现有方法相当的计算效率的高效求解器。第二篇论文提出了归一化仿射预处理 (NAP),它针对参数的特定子空间(归一化仿射参数)来显著增强量化鲁棒性,特别是对于紧凑型网络,其性能优于传统的全参数训练方法。 AI
影响 这些量化方面的进展可能导致在资源受限设备上更高效地部署 AI 模型并降低推理成本。
排序理由 arXiv 上发表了两篇关于新型神经网络量化方法的学术论文。
- arXiv
- CIFAR-100
- Hugging Face
- ImageNet
- Normalization Affine Preconditioning
- alphaXiv
- Bank of America
- CatalyzeX
- DagsHub
- Gotit.pub
- GPTQ
- Kronecker-Factored Hessians
- ScienceCast
- Yet Another Quantization Approach
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →