实体
Quantized Neural Networks
Quantized Neural Networks
PulseAugur coverage of Quantized Neural Networks — every cluster mentioning Quantized Neural Networks across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
MiCoPro框架赋能边缘AI高效混合精度量化
研究人员推出MiCoPro，一个用于边缘AI应用混合精度量化（MPQ）端到端协同设计的新型框架。该框架通过采用一种优化算法，在严格的延迟约束下寻找精度最优的量化配置，从而解决了现有方法的局限性。MiCoPro利用硬件感知代理（HAP）模型来提高预测精度和硬件通用性，能够从PyTorch模型快速探索并直接部署到C代码。在BitFusion加速器和RISC-V处理器上的演示表明，在精度损失极小的情况下，延迟最多可降低40%。
-
新方法使用高斯平滑处理量化神经网络
研究人员开发了一种使用高斯平均作为量化神经网络平滑近似的方法。该技术在有界局部振荡下应用时，为原始函数与其平滑版本之间的差异提供了依赖于维度的界限。该研究还为ReLU和符号函数等常见激活函数提供了闭式高斯平均，并展示了它们在高维二元感知器模型上的应用。
-
新的OEU框架可从量化神经网络中遗忘数据
研究人员开发了一个名为正交熵遗忘（OEU）的新框架，旨在有效移除量化神经网络中的特定数据，同时保持模型的整体准确性。该方法通过最大化被遗忘数据的预测不确定性来解决现有遗忘技术中的局限性，从而避免自信的错误预测。OEU还采用梯度正交投影来防止遗忘和保留数据梯度之间的干扰，为效用保持提供了理论保证。