典型文献
卷积神经网络的损失最小训练后参数量化方法
文献摘要：
针对数据敏感性场景下模型量化存在数据集不可用的问题,提出了一种不需要使用数据集的模型量化方法.首先,依据批归一化层参数及图像数据分布特性,通过误差最小化方法获得模拟输入数据;然后,通过研究数据舍入特性,提出基于损失最小化的因子动态舍入方法.通过对GhostNet等分类模型及M2Det等目标检测模型进行量化实验,验证了所提量化方法对图像分类及目标检测模型的有效性.实验结果表明,所提量化方法能够使模型大小减少75％左右,在基本保持原有模型准确率的同时有效地降低功耗损失、提高运算效率.
文献关键词：
卷积神经网络;批归一化;模拟输入数据;动态舍入
中图分类号：
作者姓名：
张帆;黄赟;方子茁;郭威
作者机构：
国家数字交换系统工程技术研究中心,河南郑州 450002;信息工程大学,河南郑州 450001;紫金山实验室,江苏南京 211111;东南大学网络空间安全学院,江苏南京 211189
文献出处：
引用格式：
[1]张帆;黄赟;方子茁;郭威-.卷积神经网络的损失最小训练后参数量化方法)[J].通信学报,2022(04):114-122
A类：
模拟输入数据,动态舍入
B类：
参数量化,量化方法,模型量化,使用数据,批归一化层,图像数据,数据分布,分布特性,研究数据,GhostNet,分类模型,M2Det,目标检测模型,化实验,图像分类,模型准确率,降低功耗,耗损,运算效率
AB值：
0.280247
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
