lookup table
PulseAugur coverage of lookup table — every cluster mentioning lookup table across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI框架模仿治疗师-患者互动，用于机器人康复
研究人员开发了一个新的框架，使用任务参数化高斯混合模型（TPGMM）来更好地复制机器人辅助上肢训练中个性化的物理治疗师-患者互动。该方法旨在通过从少量演示中学习并推广到新的任务变体，来提高康复机器人的有效性。在对三个任务的模拟治疗师-患者配对进行的评估中，TPGMM框架在重现未见任务变体的治疗师扭矩方面，比查找表方法略有改进，并且随着任务复杂度的增加，性能有所提高。
-
CascadeLUT 优化FPGA神经网络推理以应对带宽限制
研究人员开发了CascadeLUT，一个用于在带宽受限条件下优化现场可编程门阵列（FPGA）上神经网络推理的新颖框架。该方法将特征划分为有序子集，允许在数据到达时逐步细化预测，从而减少数据移动并提高吞吐量。与现有的基于查找表（LUT）的方法相比，CascadeLUT在延迟、吞吐量和能耗方面均有显著改善，同时还集成了片上输入量化以获得进一步的效率提升。
-
ExaGEMM 框架通过低比特 GEMM 优化提升 CPU 机器学习推理性能 · 跟踪 2 个来源
研究人员开发了 ExaGEMM，这是一个旨在优化传统 CPU 上机器学习推理的低比特通用矩阵乘法 (GEMM) 操作的框架。该框架解决了有效执行通常不适合标准 CPU 架构的超低比特精度计算的挑战。ExaGEMM 共同设计了参数化内核和轻量级 SIMD 指令集架构 (ISA) 支持，分析了寄存器可行性、计算成本和硬件开销等因素，以显著缩小搜索空间。与纯软件基线相比，该系统在机器学习模型的延迟方面实现了 13.29 倍的提升，特别突出了…
-
GPT-2 解码器机制：深入解析下一个词的预测
本文提供了一个关于 GPT-2 解码器模型如何预测下一个词的详细分步解释。它追踪单个向量在模型层中的旅程，说明了每一次矩阵乘法和参数计数。解释强调，解码器层是在原地重写固定宽度的向量，而不是压缩或替换 token，最终产生下一个词的概率分布。