自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

may0324的博客

无眠栀优快云认证博客专家优快云认证企业博客

码龄16年

29: 原创

9万+: 周排名

179万+: 总排名

19万+: 访问

: 等级

1852: 积分

121: 粉丝

93: 获赞

148: 评论

174: 收藏

私信

关注

热门文章

分类专栏

最新评论

ARM NEON常用函数总结
Hannah&Judy: [code=csharp] #include <stdio.h> #include <arm_neon.h> int main() { float arr[] = { 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 }; int len = sizeof(arr) / sizeof(arr[0]); int dim_x4 = len / 4; int left_x4 = len % 4; float *p = arr; // 创建新的指针p指向数组首元素地址,p与arr独立 float32x4_t sum_vec = vdupq_n_f32(0.0); // 复制创建一个4元素vector sum_vec,并初始化元素为0 for (int dim = 0; dim < dim_x4; dim++) { p = arr + dim * 4; // 更新指针位置 float32x4_t data_vec = vld1q_f32(p); // 从地址p开始load四个元素存至vector data_vec sum_vec = vaddq_f32(sum_vec, data_vec); // vector相加,结果存入新的vector } float32_t sum = vgetq_lane_f32(sum_vec, 0) + vgetq_lane_f32(sum_vec, 1) + vgetq_lane_f32(sum_vec, 2) + vgetq_lane_f32(sum_vec, 3); p += 4; // 更新指针位置到剩余元素起始地址 for (int left = 0; left < left_x4; left++) { sum += *(p + left); //对于剩下的少于4个的元素，依次计算累加即可 } printf("sum = %f\n", sum); return 0; } [/code]
Linux大数据处理踩坑实录
zaaac: 宝贝棒！
caffe模型TensorRT部署实践（一）
Tisfy: 好像拨开云雾见青天
Deep Compression阅读理解及Caffe源码修改
霹雳大帅哥: 兄弟你懂了没我也有疑惑
Deep Compression阅读理解及Caffe源码修改
cybstef: 感谢博主的工作，对我的工作有很大启发。这里讨论一下，博主实现的代码和SongHan论文中的区别。SongHan将网络裁剪（或稀疏化）以及参数量化分成两个独立的部分，相应的有两次重新训练的过程。本项目中将两者合二为一。因为没有具体实践项目代码，所以没有训练过程的收敛状态的信息。按照SongHan所述，裁剪过程重新训练达到的目标是，稳定可接受的精度，以及稳定的裁剪结果，也就是同样的mask，这个掩码就是裁剪过程的结果。然后，在裁剪后的网络上进行，参数量化的操作。类似的，量化过程重新训练的目标是获得稳定的代码书（或者聚类结果）并且精度稳定且可接受。不同过程的训练参数，学习率，动量等等各有特点。项目中合二为一后，重新训练可能存在不收敛的风险。另外是实现细节中的不同（之前也有读者也发现），在梯度按照参数的聚类的序列整合时，论文用的是累加和，项目中采用的是平均值。

最新文章

linux学习

关注

文章平均质量分 88

关注数：文章数：5 文章阅读量：11968 文章收藏量：6

作者: 无眠栀

看我能坚持多久

展开