自定义博客皮肤VIP专享

*博客头图:

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:

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:

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

自定义博客皮肤

-+
  • 博客(2)
  • 资源 (1)
  • 收藏
  • 关注

原创 CVPR2024模型压缩论文:Data-Free Quantization via Pseudo-label Filtering 简介

针对这一问题,模型压缩技术逐渐成为研究热点,其中量化技术作为一种重要的压缩手段,通过将网络参数从高精度表示转换为低精度近似值(如8位整数),显著降低了模型的存储空间和运算成本,同时提升了推理速度,为模型的实际部署提供了重要支持。针对这一问题,本文提出了一种全新的数据无量化方法——基于伪标签筛选的数据无量化(Data-Free Quantization via Pseudo-label Filtering),通过在量化前对合成数据进行评估和筛选,显著提升了量化模型的性能。

2025-03-23 16:11:42 721

原创 TPAMI 模型压缩论文:Multi-Objective Convex Quantizationfor Efficient Model Compression介绍

目前,现有量化方法主要是将量化函数引入训练过程,并将该过程建模为单目标优化问题,优化目标为提高量化后模型的性能。如图4展示了常规方法与本方法训练模型的参数分布对比,从中可以看出本文提出方法训练得到模型的参数集中分布在量化值周围,因而其训练操作在提高模型性能的同时,也保证了量化操作不会对性能造成较大影响。针对这些问题,如图2本文创造性地提出将网络训练建模为多目标优化问题,即在优化提高模型性能的同时,降低量化操作可能导致的量化误差,从而通过训练提升模型性能的同时,保证量化操作不会对模型性能造成较大影响。

2025-03-23 16:00:31 620

dx7sdklib文件

dx7sdk的lib文件,包括dxguid.lib、ddraw.lib、dinput.lib、dsound.lib、dsetup.lib、dplayx.lib、d3dim.lib、d3drm.lib、d3dx.lib、d3dxd.lib、d3dxof DX入门学习时,可能会用到

2014-11-03

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除