基于离群值去除的卷积神经网络模型训练后量化预处理方法

为了提高训练后量化模型的性能, 提出一种基于离群值去除的模型训练后量化预处理方法。该方法仅通过排序、比较等简易的操作, 实现权重、激活值的离群值去除, 使模型在量化时仅损失少量的信息, 从而提升量化模型的精度。实验结果表明, 在使用不同的量化方法前, 采用所提方法进行预处理, 可显著地提升性能。     

基于可融合残差卷积块的深度神经网络模型层剪枝方法

针对当前主流的剪枝方法所获得的压缩模型推理时间较长和效果较差的问题, 提出一种易用且性能优异的层剪枝方法。该方法将原始卷积层转化为可融合残差卷积块, 然后通过稀疏化训练的方法实现层剪枝, 得到一种具有工程易用性的层剪枝方法, 兼具推理时间短和剪枝效果好的优点。实验结果表明, 在图像分类任务和目标检测任务中, 该方法可使模型在精度损失较小的情况下获得极高的压缩率, 优于先进的卷积核剪枝方法。     

上海市大型公共建筑能耗的贝叶斯统计分析

在建筑能耗的计量过程中,积累了大量的实时能耗数据.这些数据的特点是数量大、噪声大,存在缺失和测量误差等.如何分析和应用如此海量数据,是一个极具挑战性的问题.以2015年上海市大型建筑的电耗数据为研究对象,通过建立多层贝叶斯模型,对各类型大型建筑的月平均单耗、年平均单耗进行估计.该结果将可以帮助政府监管部门对建筑节能工作进行有效评价.