CN107895190A - 神经网络模型的权值量化方法及装置 - Google Patents
神经网络模型的权值量化方法及装置 Download PDFInfo
- Publication number
- CN107895190A CN107895190A CN201711108322.8A CN201711108322A CN107895190A CN 107895190 A CN107895190 A CN 107895190A CN 201711108322 A CN201711108322 A CN 201711108322A CN 107895190 A CN107895190 A CN 107895190A
- Authority
- CN
- China
- Prior art keywords
- weights
- quantified
- stage
- needed
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及神经网络模型的权值量化方法及装置。该方法包括:基于神经网络模型针对的目标任务,将所述神经网络模型训练到收敛状态;根据所述神经网络模型的每层网络的每个阶段所需量化的类中心的个数,逐阶段将每个阶段所需量化的权值进行量化,得到每个阶段的类中心,其中,每层网络量化的阶段数大于1。本公开通过将神经网络模型的每层网络的权值分为多个阶段进行量化,由此通过增量的方式逐渐将神经网络模型的权值量化为所需的类中心,能够弥补量化过程中的精度损失,从而能够在保证神经网络模型针对目标任务的性能的同时,提高神经网络模型的压缩率。
Description
技术领域
本公开涉及机器学习领域,尤其涉及一种神经网络模型的权值量化方法及装置。
背景技术
对神经网络模型的权值进行量化,是在保证神经网络模型针对目标任务的性能不发生显著降低的前提下,将神经网络模型的权值进行分类,并在每类共享权值,从而达到减少神经网络模型所需存储空间的一种模型压缩方法。
在相关技术的神经网络模型的权值量化方法中,在确定了类中心的个数之后,采用聚类方法一次性得到每个类的类中心,然后再对量化后的神经网络模型继续训练,调整类中心。由于同时将所有的权值进行量化,因此为了保证神经网络模型针对目标任务的性能,不得不采用更多的类中心,导致神经网络模型的压缩率不能达到最优。此外,由于一次性将所有权值进行量化,因此在调整训练阶段,没有权值能够弥补量化过程中的精度损失,导致神经网络模型针对目标任务的性能下降。
发明内容
有鉴于此,本公开提出了一种神经网络模型的权值量化方法及装置,以在保证神经网络模型针对目标任务的性能的同时,提高神经网络模型的压缩率。
根据本公开的一方面,提供了一种神经网络模型的权值量化方法,包括:
基于神经网络模型针对的目标任务,将所述神经网络模型训练到收敛状态;
根据所述神经网络模型的每层网络的每个阶段所需量化的类中心的个数,逐阶段将每个阶段所需量化的权值进行量化,得到每个阶段的类中心,其中,每层网络量化的阶段数大于1。
在一种可能的实现方式中,根据所述神经网络模型的每层网络的每个阶段所需量化的类中心的个数,逐阶段将每个阶段所需量化的权值进行量化,得到每个阶段的类中心,包括:
根据本阶段所需量化的权值的比例,从未量化的权值中确定本阶段所需量化的权值;
根据本阶段所需量化的类中心的个数,将本阶段所需量化的权值进行聚类,得到本阶段的类中心。
在一种可能的实现方式中,根据本阶段所需量化的权值的比例,从未量化的权值中确定本阶段所需量化的权值,包括:
根据本层网络所需量化的权值的个数,以及本阶段所需量化的权值的比例,确定本阶段所需量化的权值的个数M,其中,M为正整数;
将未量化的权值中绝对值最大的M个权值确定为本阶段所需量化的权值。
在一种可能的实现方式中,在得到本阶段的类中心之后,还包括:
在本层网络存在未量化的权值的情况下,保持已量化的权值不变,根据所述目标任务训练所述神经网络模型,更新未量化的权值。
根据本公开的另一方面,提供了一种神经网络模型的权值量化装置,包括:
训练模块,用于基于神经网络模型针对的目标任务,将所述神经网络模型训练到收敛状态;
量化模块,用于根据所述神经网络模型的每层网络的每个阶段所需量化的类中心的个数,逐阶段将每个阶段所需量化的权值进行量化,得到每个阶段的类中心,其中,每层网络量化的阶段数大于1。
在一种可能的实现方式中,所述量化模块包括:
确定子模块,用于根据本阶段所需量化的权值的比例,从未量化的权值中确定本阶段所需量化的权值;
量化子模块,用于根据本阶段所需量化的类中心的个数,将本阶段所需量化的权值进行聚类,得到本阶段的类中心。
在一种可能的实现方式中,所述确定子模块用于:
根据本层网络所需量化的权值的个数,以及本阶段所需量化的权值的比例,确定本阶段所需量化的权值的个数M,其中,M为正整数;
将未量化的权值中绝对值最大的M个权值确定为本阶段所需量化的权值。
在一种可能的实现方式中,所述量化模块还包括:
更新子模块,用于在本层网络存在未量化的权值的情况下,保持已量化的权值不变,根据所述目标任务训练所述神经网络模型,更新未量化的权值。
根据本公开的另一方面,提供了一种神经网络模型的权值量化装置,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行上述方法。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
本公开的各方面的神经网络模型的权值量化方法及装置通过将神经网络模型的每层网络的权值分为多个阶段进行量化,由此通过增量的方式逐渐将神经网络模型的权值量化为所需的类中心,能够弥补量化过程中的精度损失,从而能够在保证神经网络模型针对目标任务的性能的同时,提高神经网络模型的压缩率。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开一实施例的神经网络模型的权值量化方法的流程图。
图2示出根据本公开一实施例的神经网络模型的权值量化方法步骤S12的一示例性的流程图。
图3示出根据本公开一实施例的神经网络模型的权值量化方法步骤S121的一示例性的流程图。
图4示出根据本公开一实施例的神经网络模型的权值量化装置的框图。
图5示出根据本公开一实施例的神经网络模型的权值量化装置的一示例性的框图。
图6是根据一示例性实施例示出的一种用于神经网络模型的权值量化的装置800的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开一实施例的神经网络模型的权值量化方法的流程图。如图1所示,该方法包括步骤S11和步骤S12。
在步骤S11中,基于神经网络模型针对的目标任务,将神经网络模型训练到收敛状态。
在本实施例中,在对神经网络模型的权值进行量化之前,可以采用神经网络模型处理目标任务,以根据目标任务将神经网络模型训练到收敛状态,以在保证神经网络模型针对目标任务的性能的前提下,对神经网络模型的权值进行量化。
在步骤S12中,根据神经网络模型的每层网络的每个阶段所需量化的类中心的个数,逐阶段将每个阶段所需量化的权值进行量化,得到每个阶段的类中心,其中,每层网络量化的阶段数大于1。
在本实施例中,神经网络模型可以包括多层网络。对于每层网络,将权值的量化分为多个阶段,逐阶段将每个阶段所需量化的权值进行量化。例如,某层网络所需量化的类中心的个数为8,量化的阶段数为3,第一阶段所需量化的类中心的个数为4,第二阶段所需量化的类中心的个数为2,第三阶段所需量化的类中心的个数为2。
在一种可能的实现方式中,每层网络所需量化的类中心的个数可以不同。例如,第一层网络所需量化的类中心的个数为8,第二层网络所需量化的类中心的个数为10。
在另一种可能的实现方式中,每层网络所需量化的类中心的个数可以相同。例如,每层网络所需量化的类中心的个数均为8。
在一种可能的实现方式中,每个阶段所需量化的类中心的个数可以不同。例如,第一层网络的第一个阶段所需量化的类中心的个数为4,第二个阶段所需量化的类中心的个数为2,第三个阶段所需量化的类中心的个数为2;第二层网络的第一个阶段所需量化的类中心的个数为3,第二个阶段所需量化的类中心的个数为3,第三个阶段所需量化的类中心的个数为2,第四个阶段所需量化的类中心的个数为2。
在另一种可能的实现方式中,每个阶段所需量化的类中心的个数可以相同。例如,每个阶段所需量化的类中心的个数均为3。
在一种可能的实现方式中,各层网络量化的阶段数可以不同。例如,第一层网络量化的阶段数可以为3,第二层网络量化的阶段数可以为4。
在另一种可能的实现方式中,各层网络量化的阶段数可以相同。例如,每层网络量化的阶段数可以都为3。
本实施例通过将神经网络模型的每层网络的权值分为多个阶段进行量化,由此通过增量的方式逐渐将神经网络模型的权值量化为所需的类中心,能够弥补量化过程中的精度损失,从而能够在保证神经网络模型针对目标任务的性能的同时,提高神经网络模型的压缩率。
图2示出根据本公开一实施例的神经网络模型的权值量化方法步骤S12的一示例性的流程图。如图2所示,步骤S12可以包括步骤S121和步骤S122。
在步骤S121中,根据本阶段所需量化的权值的比例,从未量化的权值中确定本阶段所需量化的权值。
例如,第一层网络的第一个阶段所需量化的权值的比例为50%,第二个阶段所需量化的权值的比例为25%,第三个阶段所需量化的权值的比例为25%。
在步骤S122中,根据本阶段所需量化的类中心的个数,将本阶段所需量化的权值进行聚类,得到本阶段的类中心。
例如,本阶段所需量化的类中心的个数为2,本阶段所需量化的权值包括5.5、4.5、4.6、5.7、5.6和4.7。将5.5、5.6和5.7聚为同一类,该类的类中心为5.6;将4.5、4.6和4.7聚为同一类,该类的类中心为4.6。即,两类分别共享一个权值,本阶段的类中心为5.6和4.6。
在一种可能的实现方式中,在得到本阶段的类中心之后,还包括:在本层网络存在未量化的权值的情况下,保持已量化的权值不变,根据目标任务训练神经网络模型,更新未量化的权值。
作为该实现方式的一个示例,在得到本阶段的类中心之后,若本层网络存在未量化的权值,则可以在对下一个阶段的权值进行量化之前,保持已量化的权值不变,根据目标任务训练神经网络模型,更新未量化的权值的梯度,由此能够进一步保证神经网络模型针对目标任务的性能。
图3示出根据本公开一实施例的神经网络模型的权值量化方法步骤S121的一示例性的流程图。如图3所示,步骤S121可以包括步骤S1211和步骤S1212。
在步骤S1211中,根据本层网络所需量化的权值的个数,以及本阶段所需量化的权值的比例,确定本阶段所需量化的权值的个数M,其中,M为正整数。
例如,第一层网络所需量化的权值的个数为Q,第一层网络的第一个阶段所需量化的权值的比例为50%,则第一个阶段所需量化的权值的个数M=50%Q。
在步骤S1212中,将未量化的权值中绝对值最大的M个权值确定为本阶段所需量化的权值。
在该示例中,先将绝对值较大的权值进行量化,即,先将较为重要的权值进行量化,由此能够进一步保证神经网络模型针对目标任务的性能。
图4示出根据本公开一实施例的神经网络模型的权值量化装置的框图。如图4所示,该装置包括:训练模块41,用于基于神经网络模型针对的目标任务,将神经网络模型训练到收敛状态;量化模块42,用于根据神经网络模型的每层网络的每个阶段所需量化的类中心的个数,逐阶段将每个阶段所需量化的权值进行量化,得到每个阶段的类中心,其中,每层网络量化的阶段数大于1。
图5示出根据本公开一实施例的神经网络模型的权值量化装置的一示例性的框图。如图5所示:
在一种可能的实现方式中,量化模块42包括:确定子模块421,用于根据本阶段所需量化的权值的比例,从未量化的权值中确定本阶段所需量化的权值;量化子模块422,用于根据本阶段所需量化的类中心的个数,将本阶段所需量化的权值进行聚类,得到本阶段的类中心。
在一种可能的实现方式中,确定子模块421用于:根据本层网络所需量化的权值的个数,以及本阶段所需量化的权值的比例,确定本阶段所需量化的权值的个数M,其中,M为正整数;将未量化的权值中绝对值最大的M个权值确定为本阶段所需量化的权值。
在一种可能的实现方式中,量化模块42还包括:更新子模块423,用于在本层网络存在未量化的权值的情况下,保持已量化的权值不变,根据目标任务训练神经网络模型,更新未量化的权值。
本实施例通过将神经网络模型的每层网络的权值分为多个阶段进行量化,由此通过增量的方式逐渐将神经网络模型的权值量化为所需的类中心,能够弥补量化过程中的精度损失,从而能够在保证神经网络模型针对目标任务的性能的同时,提高神经网络模型的压缩率。
图6是根据一示例性实施例示出的一种用于神经网络模型的权值量化的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到装置800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种神经网络模型的权值量化方法,其特征在于,包括:
基于神经网络模型针对的目标任务,将所述神经网络模型训练到收敛状态;
根据所述神经网络模型的每层网络的每个阶段所需量化的类中心的个数,逐阶段将每个阶段所需量化的权值进行量化,得到每个阶段的类中心,其中,每层网络量化的阶段数大于1。
2.根据权利要求1所述的方法,其特征在于,根据所述神经网络模型的每层网络的每个阶段所需量化的类中心的个数,逐阶段将每个阶段所需量化的权值进行量化,得到每个阶段的类中心,包括:
根据本阶段所需量化的权值的比例,从未量化的权值中确定本阶段所需量化的权值;
根据本阶段所需量化的类中心的个数,将本阶段所需量化的权值进行聚类,得到本阶段的类中心。
3.根据权利要求2所述的方法,其特征在于,根据本阶段所需量化的权值的比例,从未量化的权值中确定本阶段所需量化的权值,包括:
根据本层网络所需量化的权值的个数,以及本阶段所需量化的权值的比例,确定本阶段所需量化的权值的个数M,其中,M为正整数;
将未量化的权值中绝对值最大的M个权值确定为本阶段所需量化的权值。
4.根据权利要求2所述的方法,其特征在于,在得到本阶段的类中心之后,还包括:
在本层网络存在未量化的权值的情况下,保持已量化的权值不变,根据所述目标任务训练所述神经网络模型,更新未量化的权值。
5.一种神经网络模型的权值量化装置,其特征在于,包括:
训练模块,用于基于神经网络模型针对的目标任务,将所述神经网络模型训练到收敛状态;
量化模块,用于根据所述神经网络模型的每层网络的每个阶段所需量化的类中心的个数,逐阶段将每个阶段所需量化的权值进行量化,得到每个阶段的类中心,其中,每层网络量化的阶段数大于1。
6.根据权利要求5所述的装置,其特征在于,所述量化模块包括:
确定子模块,用于根据本阶段所需量化的权值的比例,从未量化的权值中确定本阶段所需量化的权值;
量化子模块,用于根据本阶段所需量化的类中心的个数,将本阶段所需量化的权值进行聚类,得到本阶段的类中心。
7.根据权利要求6所述的装置,其特征在于,所述确定子模块用于:
根据本层网络所需量化的权值的个数,以及本阶段所需量化的权值的比例,确定本阶段所需量化的权值的个数M,其中,M为正整数;
将未量化的权值中绝对值最大的M个权值确定为本阶段所需量化的权值。
8.根据权利要求6所述的装置,其特征在于,所述量化模块还包括:
更新子模块,用于在本层网络存在未量化的权值的情况下,保持已量化的权值不变,根据所述目标任务训练所述神经网络模型,更新未量化的权值。
9.一种神经网络模型的权值量化装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1至4中任意一项所述的方法。
10.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711108322.8A CN107895190A (zh) | 2017-11-08 | 2017-11-08 | 神经网络模型的权值量化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711108322.8A CN107895190A (zh) | 2017-11-08 | 2017-11-08 | 神经网络模型的权值量化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107895190A true CN107895190A (zh) | 2018-04-10 |
Family
ID=61805042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711108322.8A Pending CN107895190A (zh) | 2017-11-08 | 2017-11-08 | 神经网络模型的权值量化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107895190A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685203A (zh) * | 2018-12-21 | 2019-04-26 | 北京中科寒武纪科技有限公司 | 数据处理方法、装置、计算机系统及存储介质 |
CN110378466A (zh) * | 2019-06-03 | 2019-10-25 | 北京大学 | 基于神经网络差分的量化方法及系统 |
CN110633798A (zh) * | 2019-09-12 | 2019-12-31 | 北京金山数字娱乐科技有限公司 | 一种分布式训练中参数更新方法及装置 |
CN111459151A (zh) * | 2019-01-02 | 2020-07-28 | 北京地平线信息技术有限公司 | 调整决策网络的探索率的方法、装置、电子设备及介质 |
CN116134387A (zh) * | 2020-07-21 | 2023-05-16 | 西门子股份公司 | 用于确定工业任务的ai模型的压缩率的方法和系统 |
-
2017
- 2017-11-08 CN CN201711108322.8A patent/CN107895190A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685203A (zh) * | 2018-12-21 | 2019-04-26 | 北京中科寒武纪科技有限公司 | 数据处理方法、装置、计算机系统及存储介质 |
CN109685203B (zh) * | 2018-12-21 | 2020-01-17 | 中科寒武纪科技股份有限公司 | 数据处理方法、装置、计算机系统及存储介质 |
CN111459151A (zh) * | 2019-01-02 | 2020-07-28 | 北京地平线信息技术有限公司 | 调整决策网络的探索率的方法、装置、电子设备及介质 |
CN111459151B (zh) * | 2019-01-02 | 2023-10-17 | 北京地平线信息技术有限公司 | 调整决策网络的探索率的方法、装置、电子设备及介质 |
CN110378466A (zh) * | 2019-06-03 | 2019-10-25 | 北京大学 | 基于神经网络差分的量化方法及系统 |
CN110633798A (zh) * | 2019-09-12 | 2019-12-31 | 北京金山数字娱乐科技有限公司 | 一种分布式训练中参数更新方法及装置 |
CN116134387A (zh) * | 2020-07-21 | 2023-05-16 | 西门子股份公司 | 用于确定工业任务的ai模型的压缩率的方法和系统 |
CN116134387B (zh) * | 2020-07-21 | 2024-04-19 | 西门子股份公司 | 用于确定工业任务的ai模型的压缩率的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895190A (zh) | 神经网络模型的权值量化方法及装置 | |
CN107944409A (zh) | 视频分析方法及装置 | |
CN107692997A (zh) | 心率检测方法及装置 | |
CN108093315A (zh) | 视频生成方法及装置 | |
CN106792075A (zh) | 视频播放方法及装置 | |
CN107948708A (zh) | 弹幕展示方法及装置 | |
CN107729522A (zh) | 多媒体资源片段截取方法及装置 | |
CN106960014A (zh) | 关联用户推荐方法及装置 | |
CN106990891A (zh) | 弹幕的显示控制方法及装置 | |
CN107820131A (zh) | 分享评论信息的方法及装置 | |
CN107797741A (zh) | 界面展示方法及装置 | |
CN107943550A (zh) | 界面展示方法及装置 | |
CN109543537A (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN106897399A (zh) | 文字显示方法和装置 | |
CN107147936A (zh) | 弹幕的显示控制方法及装置 | |
CN108924644A (zh) | 视频片段提取方法及装置 | |
CN108062364A (zh) | 信息展示方法及装置 | |
CN109407944A (zh) | 多媒体资源播放调节方法及装置 | |
CN107122430A (zh) | 搜索结果显示方法及装置 | |
CN108540850A (zh) | 弹幕显示方法及装置 | |
CN106128440A (zh) | 一种歌词显示处理方法、装置、终端设备及系统 | |
CN106875446A (zh) | 相机重定位方法及装置 | |
CN108960283A (zh) | 分类任务增量处理方法及装置、电子设备和存储介质 | |
CN106991018A (zh) | 界面换肤的方法及装置 | |
CN106599191A (zh) | 用户属性分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180410 |
|
RJ01 | Rejection of invention patent application after publication |