PulseAugur
中
实时 19:12:23
实体 lookup table

lookup table

PulseAugur coverage of lookup table — every cluster mentioning lookup table across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
3
90 天内 8
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 7
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 8 条
  1. RESEARCH · CL_324309 ·

    新的文本注入方法加速语音识别训练

    研究人员开发了一种使用非配对文本训练语音识别模型的新方法,与以前的方法相比,训练速度提高了 1.8 倍。这种称为“文本注入”的技术用一个简单的查找表替换了一个冻结的文本到语音(TTS)模型,该查找表使用每个音素的均值对数梅尔向量。当与外部语言模型结合时,该系统在 LibriSpeech 数据集上达到了最先进的词错误率。研究人员还公开了整个流水线的代码。

  2. TOOL · CL_312730 ·

    新的LEAF注意力机制为FPGA优化Transformer模型

    研究人员开发了LEAF,一种新颖的、基于查找表(LUT)的高效注意力机制,专为FPGA设计。该方法通过将关键组件转换为FPGA原生层,解决了在FPGA上为实时系统部署大型、高性能Transformer模型的挑战。LEAF实现了超低延迟推理,在喷气机标记基准测试中将准确率提高了1.8个百分点,同时与先前最先进的方法相比,显著减少了LUT的使用。

  3. TOOL · CL_295317 ·

    免费API简化了日本地震数据的开发者访问

    一位开发者创建了一个免费、无需密钥的API,用于访问日本气象厅(JMA)发布的日本地震数据。该API解决了常见的解析难题,例如'cod'字段连接了纬度、经度和深度,以及非数字的烈度等级。提供的Python代码和免费MCP服务器简化了这些数据在物流、保险或旅游等应用中的提取和使用。

  4. TOOL · CL_247630 ·

    新方法直接在FPGA上训练神经网络

    研究人员开发了DiffLUT-Net,一种在现场可编程门阵列(FPGA)上直接训练神经网络的新方法。该方法能够从头开始学习查找表(LUT)的真值表条目和网络的连接性。然后,训练好的网络可以导出为可综合的Verilog代码,在各种基准测试中提供具有竞争力的精度-资源权衡,实现高效的FPGA原生推理。

  5. TOOL · CL_206482 ·

    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。

  6. TOOL · CL_180748 ·

    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。

  7. RESEARCH · CL_147462 ·

    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…

  8. TOOL · CL_134048 ·

    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。