新框架支持脉冲神经网络的低比特部署

研究人员开发了PTQ4SNN，一个新颖的后训练量化框架，旨在实现脉冲神经网络（SNNs）的高效部署。该方法解决了量化循环膜状态的挑战，这些状态对SNN性能至关重要，但难以用低精度表示。PTQ4SNN采用通道级统一尺度桥接器来适应膜分布，并采用混合精度比特分配策略，根据放电活动和敏感性分配最佳比特精度，同时使用小型校准数据集。 AI

影响 能够更有效地部署脉冲神经网络，可能降低事件驱动型AI应用的计算成本和能耗。

排序理由 详细介绍优化神经网络新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• LIF
• Mixed-Precision Bit Allocation
• PTQ4SNN
• ScienceCast
• Spiking neural networks
• transformers
• Unified Scale Bridge

• 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 →