排序方式: 共有11条查询结果,搜索用时 6 毫秒
11.
深度神经网络因参数量过多而影响嵌入式部署,解决的办法之一是模型小型化(如模型量化,知识蒸馏等)。针对这一问题,提出了一种基于BN(batch normg lization)折叠的量化因子自适应学习的量化训练算法(简称为LSQ-BN算法)。采用单个CNN(convolutional neural)构造BN折叠以实现BN与CNN融合;在量化训练过程中,将量化因子设置成模型参数;提出了一种自适应量化因子初始化方案以解决量化因子难以初始化的问题。实验结果表明:8bit的权重和激活量化,量化模型的精度与FP32预制模型几乎一致;4bit的权重量化和8 bit的激活量化,量化模型的精度损失在3%以内。因此,LSQ-BN是一种优异的模型量化算法。 相似文献