CN114418086A - 压缩神经网络模型的方法、装置 - Google Patents
压缩神经网络模型的方法、装置 Download PDFInfo
- Publication number
- CN114418086A CN114418086A CN202111457675.5A CN202111457675A CN114418086A CN 114418086 A CN114418086 A CN 114418086A CN 202111457675 A CN202111457675 A CN 202111457675A CN 114418086 A CN114418086 A CN 114418086A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- compressed
- bit width
- target
- 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.)
- Granted
Links
Images
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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
-
- 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
- G06N3/0495—Quantised networks; Sparse networks; Compressed networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本公开提供了一种压缩神经网络模型的方法、装置、电子设备及可读存储介质,涉及深度学习、云服务等人工智能技术领域。其中,压缩神经网络模型方法包括:获取待压缩神经网络模型;确定对应所述待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率;根据所述第一比特宽度、所述第二比特宽度与所述目标稀疏率,得到目标数值;使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果。本公开能够简化神经网络模型的压缩步骤、提升神经网络模型的压缩效率。
Description
技术领域
本公开涉及计算机处理技术领域,尤其涉及深度学习、云服务等人工智能技术领域,具体提供了一种压缩神经网络模型的方法、装置、电子设备及可读存储介质。
背景技术
当前,基于深度学习的语音识别、图像检测等技术在日常生活中的应用越来越广泛。为了不断提升神经网络模型在识别、检测时的精度,神经网络模型的复杂度和参数量都在持续增加。
为了更好地普及人工智能技术,减少人工智能的落地成本,如何在尽可能保证神经网络模型精度的同时,压缩神经网络模型的体积是人工智能技术落地长期面临的问题。
发明内容
根据本公开的第一方面,提供了一种压缩神经网络模型的方法,包括:获取待压缩神经网络模型;确定对应所述待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率;根据所述第一比特宽度、所述第二比特宽度与所述目标稀疏率,得到目标数值;使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果。
根据本公开的第二方面,提供了一种压缩神经网络模型的装置,包括:获取单元,用于获取待压缩神经网络模型;确定单元,用于确定对应所述待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率;处理单元,用于根据所述第一比特宽度、所述第二比特宽度与所述目标稀疏率,得到目标数值;压缩单元,用于使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果。
根据本公开的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
由以上技术方案可以看出,本公开通过所确定的第一比特宽度、第二比特宽度与目标稀疏率来压缩神经网络模型,确保了所得到的压缩结果具有较高的精度,能够简化神经网络模型的压缩步骤、提升神经网络模型的压缩效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是用来实现本公开实施例的压缩神经网络模型的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示,本实施例的压缩神经网络模型的方法,具体包括如下步骤:
S101、获取待压缩神经网络模型;
S102、确定对应所述待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率;
S103、根据所述第一比特宽度、所述第二比特宽度与所述目标稀疏率,得到目标数值;
S104、使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果。
本实施例的压缩神经网络模型的方法,首先确定对应所获取的待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率,然后根据目标稀疏率、第一比特宽度与第二比特宽度得到目标数值,最后使用目标数值、第一比特宽度与第二比特宽度压缩待压缩神经网络模型,得到待压缩神经网络模型的压缩结果,本实施例通过所确定的第一比特宽度、第二比特宽度与目标稀疏率来压缩神经网络模型,确保了所得到的压缩结果具有较高的精度,能够简化神经网络模型的压缩步骤、提升神经网络模型的压缩效率。
本实施例在执行S101获取待压缩神经网络模型时,可以将输入端所输入的神经网络模型作为待压缩神经网络模型,也可以将输入端在网络上所选择的神经网络模型作为待压缩神经网络模型。
本实施例在执行S101获取待压缩神经网络模型之后,执行S102确定对应所获取的待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率。
其中,本实施例在执行S102时,可以获取输入端所输入或者所选择的第一比特宽度、第二比特宽度与目标稀疏率,作为对应所获取的待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率。
为了使得待压缩神经网络模型的压缩结果能够与运行待压缩神经网络模型的处理器更加匹配,本实施例在执行S102确定对应待压缩神经网络模型的第一比特宽度时,可以采用的可选实现方式为:确定运行所获取的待压缩神经网络模型的处理器;将所确定的处理器的向量宽度,作为对应待压缩神经网络模型的第一比特宽度。
可以理解的是,一个处理器相当于一个向量体系结构,不同的处理器具有不同的向量宽度,例如Intel Avx2处理器的向量宽度为256比特,Arm neon处理器的向量宽度为128比特。
为了使得待压缩神经网络模型的压缩结果能够与运行待压缩神经网络模型的处理器中的指令集更加匹配,本实施例在执行S102确定对应待压缩神经网络模型的第二比特宽度时,可以采用的可选实现方式为:确定运行所获取的待压缩神经网络模型的处理器;根据所确定的处理器中的指令集的向量宽度,确定对应待压缩神经网络模型的第二比特宽度。
其中,本实施例在执行S102根据所确定的处理器中的指令集的向量宽度,确定对应待压缩神经网络模型的第二比特宽度时,可以直接将指令集所支持指令的向量宽度作为第二比特宽度,也可以将小于指令集所支持指令的向量宽度的向量宽度作为第二比特宽度。
举例来说,若所确定的处理器中的指令集支持int8指令的计算,则本实施例可以将8比特的向量宽度作为对应待压缩神经网络模型的第二比特宽度,也可以将小于8比特的4比特的向量宽度或者1比特的向量宽度,作为对应待压缩神经网络模型的第二比特宽度。
另外,本实施例在执行S102确定对应待压缩神经网络模型的目标稀疏率时,可以采用的可选实现方式为:获取待压缩神经网络模型的属性信息,本实施例中的属性信息可以为待压缩神经网络模型的类型信息、任务信息等;将与所确定的属性信息对应的稀疏率,作为对应待压缩神经网络模型的目标稀疏率。
也就是说,本实施例会预先设置属性信息与稀疏率之间的对应关系,进而根据待压缩神经网络模型的属性信息来确定目标稀疏率,能够避免不合适的目标稀疏率会影响待压缩神经网络模型的压缩结果,进而提升所确定的目标稀疏率的准确性。
本实施例在执行S102确定对应待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率之后,执行S103根据所确定的第一比特宽度、第二比特宽度与目标稀疏率,得到目标数值。其中,本实施例执行S103所得到的目标数值用于对待压缩神经网络模型进行参数的稀疏化处理。
具体地,本实施例在执行S103根据所确定的第一比特宽度、第二比特宽度与目标稀疏率,得到目标数值时,可以采用的可选实现方式为:计算第二比特宽度与目标稀疏率之间的乘积;将第一比特宽度与计算得到的乘积之间的相除结果,作为目标数值。
本实施例可以使用以下计算公式来得到目标数值:
在公式中:N表示目标数值;R表示目标稀疏率;B表示第二比特宽度;V表示第一比特宽度。
本实施例在执行S103得到目标数值之后,执行S104使用目标数值、第一比特宽度与第二比特宽度对待压缩神经网络模型进行压缩,得到待压缩神经网络模型的压缩结果。
具体地,本实施例在执行S104使用目标数值、第一比特宽度与第二比特宽度对待压缩神经网络模型进行压缩,得到待压缩神经网络模型的压缩结果时,可以采用的可选实现方式为:根据目标数值、第一比特宽度与第二比特宽度,对待压缩神经网络模型中的参数进行稀疏化处理,得到第一神经网络模型;根据第一神经网络模型,得到待压缩神经网络模型的压缩结果。
其中,本实施例在执行S104根据目标数值、第一比特宽度与第二比特宽度,对待压缩神经网络模型中的参数进行稀疏化处理,得到第一神经网络模型时,可以采用的可选实现方式为:将待压缩神经网络模型中连续的、对应目标数值个数的参数作为一个参数单元;按照绝对值从小到大的顺序,对参数单元包含的参数进行排序;根据第一比特宽度、第二比特宽度与目标数值,得到置零数量;将待压缩神经网络模型的参数单元中排在置零数量之前的参数设置为零,得到第一神经网络模型。
也就是说,本实施例通过对待压缩神经网络模型中绝对值较小的参数设置为零的方式,完成对待压缩神经网络模型的压缩,由于结合了第一比特宽度、第二比特宽度与目标数值来确定置零数量,因此能够提升参数稀疏化处理的准确性,确保待压缩神经网络模型的压缩结果具有较高的精度。
本实施例在执行S104将待压缩神经网络模型的每个参数单元中排在置零数量之前的参数设置为零之后,还可以将每个参数单元中各参数的顺序进行还原;也可以生成对应每个参数单元的掩码序列,该掩码序列中包含对应目标数量值个数的0/1向量,用于表示某一位置的参数是否为零。
本实施例在执行S104得到第一神经网络模型之后,可以将所得到的该第一神经网络模型作为待压缩神经网络模型的压缩结果。
为了进一步提升神经网络模型的压缩效果,本实施例在执行S104根据第一神经网络模型,得到待压缩神经网络模型的压缩结果时,可以采用的可选实现方式为:根据第二比特宽度,对第一神经网络模型中未设置为零的参数进行量化处理;将量化处理之后的神经网络模型,作为待压缩神经网络模型的压缩结果。
其中,本实施例在执行S104根据第二比特宽度,将第一神经网络模型中未设置为零的参数进行量化处理时,可以采用的可选实现方式为:根据第二比特宽度确定数值范围;将第一神经网络模型中未设置为零的参数表示为位于所确定的数值范围中的数值。
也就是说,本实施例在完成对神经网络模型中参数的稀疏化处理之后,还会进一步对神经网络模型中未被剪枝的参数进行量化处理,即融合稀疏化与量化的方式来得到待压缩神经网络模型的压缩结果,能够进一步压缩待压缩神经网络模型的体积。
图2是根据本公开第二实施例的示意图。如图2所示,本实施例在执行S104“使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果”时,具体包括如下步骤:
S201、获取训练数据;
S202、根据所述目标数值、所述第一比特宽度与所述第二比特宽度,对所述待压缩神经网络模型中的参数进行稀疏化处理,得到稀疏化神经网络模型;
S203、使用所述训练数据对所述稀疏化神经网络模型进行训练,得到所述稀疏化神经网络模型的损失函数值与模型精度;
S204、在确定所述模型精度未满足第一预设条件的情况下,使用所述损失函数值对所述待压缩神经网络模型的参数进行调整之后,转至执行得到稀疏化神经网络模型的步骤,直至所述模型精度满足第一预设条件,将所述稀疏化神经网络模型作为第二神经网络模型;
S205、根据所述第二神经网络模型,得到所述待压缩神经网络模型的压缩结果。
也就是说,本实施例在对待压缩神经网络模型进行压缩时,还可以结合训练数据对待压缩神经网络模型进行训练,从而得到经过训练之后的待压缩模型的压缩结果,通过在训练过程中引入对神经网络模型的稀疏化处理过程,能够提升所得到的待压缩神经网络模型的压缩结果的训练性能。
本实施例在执行S201获取训练数据时,可以根据待压缩神经网络模型对应的任务信息来获取训练数据,所获取的训练数据可以对应于图像识别任务的图像数据、对应于语音识别任务的语音数据等。
本实施例在执行S202根据目标数值、第一比特宽度与第二比特宽度对待压缩神经网络模型中的参数进行稀疏化处理的过程,与前一实施例中S104所涉及到的过程相同,在此不进行赘述。
本实施例在执行S205时,可以直接将第二神经网络模型作为待压缩神经网络模型的压缩结果。
另外,本实施例在执行S205根据第二神经网络模型,得到待压缩神经网络模型的压缩结果时,可以采用的可选实现方式为:根据第二比特宽度,对第二神经网络模型中未设置为零的参数进行量化处理,得到量化神经网络模型;使用训练数据对量化神经网络模型进行训练,得到量化神经网络模型的损失函数值与模型精度;在确定模型精度未满足第二预设条件的情况下,使用所得到的损失函数值对第二神经网络模型的参数进行调整之后,转至执行得到量化神经网络模型的步骤,直至模型精度满足第二预设条件,将量化神经网络模型作为待压缩神经网络模型的压缩结果。
另外,本实施例在执行S205使用训练数据对量化神经网络模型进行训练时,还可以将量化之后的参数再进行反量化,使用反量化后的参数来进行量化神经网络模型的训练。
可以理解的是,本实施例中的第一预设条件与第二预设条件可以是输入端预先设置的。
也就是说,本实施例在对待压缩神经网络模型进行训练时,除了在训练过程中对待压缩神经网络模型的参数进行稀疏化处理之外,还会对待压缩神经网络模型的参数进行量化处理,从而结合稀疏化处理与量化处理来完成对待压缩神经网络模型的压缩,且在压缩过程中包含训练过程,使得本实施例所得到的待压缩神经网络模型的压缩结果具有较高的模型精度。
图3是根据本公开第三实施例的示意图。如图3所示,本实施例的压缩神经网络模型的装置300,包括:
获取单元301、用于获取待压缩神经网络模型;
确定单元302、用于确定对应所述待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率;
处理单元302、用于根据所述第一比特宽度、所述第二比特宽度与所述目标稀疏率,得到目标数值;
压缩单元304、用于使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果。
获取单元301在获取待压缩神经网络模型时,可以将输入端所输入的神经网络模型作为待压缩神经网络模型,也可以将输入端在网络上所选择的神经网络模型作为待压缩神经网络模型。
本实施例在由获取单元301获取待压缩神经网络模型之后,由确定单元302确定对应所获取的待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率。
其中,确定单元302可以获取输入端所输入或者所选择的第一比特宽度、第二比特宽度与目标稀疏率,作为对应所获取的待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率。
为了使得待压缩神经网络模型的压缩结果能够与运行待压缩神经网络模型的处理器更加匹配,确定单元302在确定对应待压缩神经网络模型的第一比特宽度时,可以采用的可选实现方式为:确定运行所获取的待压缩神经网络模型的处理器;将所确定的处理器的向量宽度,作为对应待压缩神经网络模型的第一比特宽度。
为了使得待压缩神经网络模型的压缩结果能够与运行待压缩神经网络模型的处理器中的指令集更加匹配,确定单元302在确定对应待压缩神经网络模型的第二比特宽度时,可以采用的可选实现方式为:确定运行所获取的待压缩神经网络模型的处理器;根据所确定的处理器中的指令集的向量宽度,确定对应待压缩神经网络模型的第二比特宽度。
其中,确定单元302在根据所确定的处理器中的指令集的向量宽度,确定对应待压缩神经网络模型的第二比特宽度时,可以直接将指令集所支持指令的向量宽度作为第二比特宽度,也可以将小于指令集所支持指令的向量宽度的向量宽度作为第二比特宽度。
另外,确定单元302在确定对应待压缩神经网络模型的目标稀疏率时,可以采用的可选实现方式为:获取待压缩神经网络模型的属性信息;将与所确定的属性信息对应的稀疏率,作为对应待压缩神经网络模型的目标稀疏率。
也就是说,确定单元302会预先设置属性信息与稀疏率之间的对应关系,进而根据待压缩神经网络模型的属性信息来确定目标稀疏率,能够避免不合适的目标稀疏率会影响待压缩神经网络模型的压缩结果,进而提升所确定的目标稀疏率的准确性。
本实施例在由确定单元302确定对应待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率之后,由处理单元303根据所确定的第一比特宽度、第二比特宽度与目标稀疏率,得到目标数值。其中,处理单元303所得到的目标数值用于对待压缩神经网络模型进行参数的稀疏化处理。
具体地,处理单元303在根据所确定的第一比特宽度、第二比特宽度与目标稀疏率,得到目标数值时,可以采用的可选实现方式为:计算第二比特宽度与目标稀疏率之间的乘积;将第一比特宽度与计算得到的乘积之间的相除结果,作为目标数值。
本实施例在由处理单元303得到目标数值之后,由压缩单元304使用目标数值、第一比特宽度与第二比特宽度对待压缩神经网络模型进行压缩,得到待压缩神经网络模型的压缩结果。
具体地,压缩单元304在使用目标数值、第一比特宽度与第二比特宽度对待压缩神经网络模型进行压缩,得到待压缩神经网络模型的压缩结果时,可以采用的可选实现方式为:根据目标数值、第一比特宽度与第二比特宽度,对待压缩神经网络模型中的参数进行稀疏化处理,得到第一神经网络模型;根据第一神经网络模型,得到待压缩神经网络模型的压缩结果。
其中,压缩单元304在根据目标数值、第一比特宽度与第二比特宽度,对待压缩神经网络模型中的参数进行稀疏化处理,得到第一神经网络模型时,可以采用的可选实现方式为:将待压缩神经网络模型中连续的、对应目标数值个数的参数作为一个参数单元;按照绝对值从小到大的顺序,对参数单元包含的参数进行排序;根据第一比特宽度、第二比特宽度与目标数值,得到置零数量;将待压缩神经网络模型的参数单元中排在置零数量之前的参数设置为零,得到第一神经网络模型。
也就是说,压缩单元304通过对待压缩神经网络模型中绝对值较小的参数设置为零的方式,完成对待压缩神经网络模型的压缩,由于结合了第一比特宽度、第二比特宽度与目标数值来确定置零数量,因此能够提升参数稀疏化处理的准确性,确保待压缩神经网络模型的压缩结果具有较高的精度。
压缩单元304在将待压缩神经网络模型的每个参数单元中排在置零数量之前的参数设置为零之后,还可以将每个参数单元中各参数的顺序进行还原;也可以生成对应每个参数单元的掩码序列,该掩码序列中包含对应目标数量值个数的0/1向量,用于表示某一位置的参数是否为零。
压缩单元304在得到第一神经网络模型之后,可以将所得到的该第一神经网络模型作为待压缩神经网络模型的压缩结果。
为了进一步提升神经网络模型的压缩效果,压缩单元304在根据第一神经网络模型,得到待压缩神经网络模型的压缩结果时,可以采用的可选实现方式为:根据第二比特宽度,对第一神经网络模型中未设置为零的参数进行量化处理;将量化处理之后的神经网络模型,作为待压缩神经网络模型的压缩结果。
其中,压缩单元304在根据第二比特宽度,将第一神经网络模型中未设置为零的参数进行量化处理时,可以采用的可选实现方式为:根据第二比特宽度确定数值范围;将第一神经网络模型中未设置为零的参数表示为位于所确定的数值范围中的数值。
也就是说,压缩单元304在完成对神经网络模型中参数的稀疏化处理之后,还会进一步对神经网络模型中未被剪枝的参数进行量化处理,即融合稀疏化与量化的方式来得到待压缩神经网络模型的压缩结果,能够进一步压缩待压缩神经网络模型的体积。
另外,压缩单元304在使用目标数值、第一比特宽度与第二比特宽度对待压缩神经网络模型进行压缩,得到待压缩神经网络模型的压缩结果时,还可以采用以下方式:获取训练数据;根据目标数值、第一比特宽度与第二比特宽度,对待压缩神经网络模型中的参数进行稀疏化处理,得到稀疏化神经网络模型;使用训练数据对稀疏化神经网络模型进行训练,得到稀疏化神经网络模型的损失函数值与模型精度;在确定模型精度未满足第一预设条件的情况下,使用损失函数值对待压缩神经网络模型的参数进行调整之后,转至执行得到稀疏化神经网络模型的步骤,直至模型精度满足第一预设条件,将稀疏化神经网络模型作为第二神经网络模型;根据第二神经网络模型,得到待压缩神经网络模型的压缩结果。
也就是说,压缩单元304在对待压缩神经网络模型进行压缩时,还可以结合训练数据对待压缩神经网络模型进行训练,从而得到经过训练之后的待压缩模型的压缩结果,通过在训练过程中引入对神经网络模型的稀疏化处理过程,能够提升所得到的待压缩神经网络模型的压缩结果的训练性能。
压缩单元304获取训练数据时,可以根据待压缩神经网络模型对应的任务信息来获取训练数据,所获取的训练数据可以对应于图像识别任务的图像数据、对应于语音识别任务的语音数据等。
压缩单元304可以直接将第二神经网络模型作为待压缩神经网络模型的压缩结果。
另外,压缩单元304在根据第二神经网络模型,得到待压缩神经网络模型的压缩结果时,可以采用的可选实现方式为:根据第二比特宽度,对第二神经网络模型中未设置为零的参数进行量化处理,得到量化神经网络模型;使用训练数据对量化神经网络模型进行训练,得到量化神经网络模型的损失函数值与模型精度;在确定模型精度未满足第二预设条件的情况下,使用所得到的损失函数值对第二神经网络模型的参数进行调整之后,转至执行得到量化神经网络模型的步骤,直至模型精度满足第二预设条件,将量化神经网络模型作为待压缩神经网络模型的压缩结果。
另外,压缩单元304在使用训练数据对量化神经网络模型进行训练时,还可以将量化之后的参数再进行反量化,使用反量化后的参数来进行量化神经网络模型的训练。
也就是说,压缩单元304在对待压缩神经网络模型进行训练时,除了在训练过程中对待压缩神经网络模型的参数进行稀疏化处理之外,还会对待压缩神经网络模型的参数进行量化处理,从而结合稀疏化处理与量化处理来完成对待压缩神经网络模型的压缩,且在压缩过程中包含训练过程,使得本实施例所得到的待压缩神经网络模型的压缩结果具有较高的模型精度。
图4是根据本公开第四实施例的示意图。图4示出了上述实施例中待压缩神经网络模型的全连接层进行计算时的流程图,全连接层的输入向量为X,参数单元为Y;加载参数单元Y对应的N位掩码序列;根据所加载的N位掩码序列,将参数单元Y中对应位置处的参数置零,将非零参数展开之后得到参数向量Y;加载输入向量X;执行向量内积计算X*Y。
若输入向量X的数值范围为[-27+1,27-1],若第二比特宽度为B,参数向量Y的数值范围为[-2B+1,2B-1],则全连接层在进行向量内积计算时,X与Y之间向量内积的最大值为2B+6。
若采用16位有符号数值进行存储,最多可以进行215/2B+6=29-B次累加过程;当B为8时,两次累加过程就需要溢出到32位有符号数值进行存储(如图4中右侧所示);随着B的减小,累加的次数会变多,因此上述实施例采用第二比特宽度对参数进行量化的方式,能够降低对存储空间的需求,从而实现对待压缩神经网络模型的压缩。
图5是根据本公开第五实施例的示意图。图5示出了通过训练的方式得到待压缩神经网络模型的压缩结果的流程图:首先获取待压缩神经网络模型,该待压缩神经网络模型可以为经过通常训练步骤(即直接使用所获取的训练数据进行训练)所得到的神经网络模型;然后对待压缩神经网络模型进行稀疏化训练,具体过程为对待压缩神经网络模型进行稀疏化处理得到稀疏化神经网络模型,使用所获取的训练数据对稀疏化神经网络模型进行训练,并进行模型更新,重复以上步骤直至稀疏化神经网络模型的模型精度达到预期,输出稀疏化神经网络模型;最后对稀疏化神经网络模型进行量化训练,具体过程为对稀疏化神经网络模型中未设置为零的参数进行量化处理,得到量化神经网络模型,使用训练数据对量化神经网络模型进行训练,并进行模型更新,重复以上步骤直至量化神经网络模型的模型精度达到预期,输出量化神经网络模型作为待压缩神经网络模型的压缩结果。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图6所示,是根据本公开实施例的压缩神经网络模型的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如压缩神经网络模型的方法。例如,在一些实施例中,压缩神经网络模型的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。
在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的压缩神经网络模型的方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行压缩神经网络模型的方法。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种压缩神经网络模型的方法,包括:
获取待压缩神经网络模型;
确定对应所述待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率;
根据所述第一比特宽度、所述第二比特宽度与所述目标稀疏率,得到目标数值;
使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果。
2.根据权利要求1所述的方法,其中,所述确定对应所述待压缩神经网络模型的第一比特宽度包括:
确定运行所述待压缩神经网络模型的处理器;
将所述处理器的向量宽度,作为对应所述待压缩神经网络模型的第一比特宽度。
3.根据权利要求1-2中任一项所述的方法,其中,所述确定对应所述待压缩神经网络模型的第二比特宽度包括:
确定运行所述待压缩神经网络模型的处理器;
根据所述处理器中的指令集的向量宽度,确定对应所述待压缩神经网络模型的第二比特宽度。
4.根据权利要求1-3中任一项所述的方法,其中,所述确定对应所述待压缩神经网络模型的目标稀疏率包括:
获取所述待压缩神经网络模型的属性信息;
将与所述属性信息对应的稀疏率,作为对应所述待压缩神经网络模型的目标稀疏率。
5.根据权利要求1-4中任一项所述的方法,其中,所述根据所述第一比特宽度、所述第二比特宽度与所述目标稀疏率,得到目标数值包括:
计算所述第二比特宽度与所述目标稀疏率之间的乘积;
将所述第一比特宽度与所述乘积之间的相除结果,作为所述目标数值。
6.根据权利要求1-5中任一项所述的方法,其中,所述使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果包括:
根据所述目标数值、所述第一比特宽度与所述第二比特宽度,对所述待压缩神经网络模型中的参数进行稀疏化处理,得到第一神经网络模型;
根据所述第一神经网络模型,得到所述待压缩神经网络模型的压缩结果。
7.根据权利要求6所述的方法,其中,所述根据所述目标数值、所述第一比特宽度与所述第二比特宽度,对所述待压缩神经网络模型中的参数进行稀疏化处理,得到第一神经网络模型包括:
将所述待压缩神经网络模型中连续的、对应所述目标数值个数的参数作为一个参数单元;
按照绝对值从小到大的顺序,对所述参数单元包含的参数进行排序;
根据所述第一比特宽度、所述第二比特宽度与所述目标数值,得到置零数量;
将所述待压缩神经网络模型的参数单元中排在置零数量之前的参数设置为零,得到所述第一神经网络模型。
8.根据权利要求6-7中任一项所述的方法,其中,所述根据所述第一神经网络模型,得到所述待压缩神经网络模型的压缩结果包括:
根据所述第二比特宽度,对所述第一神经网络模型中未设置为零的参数进行量化处理;
将量化处理之后的神经网络模型,作为所述待压缩神经网络模型的压缩结果。
9.根据权利要求1-5中任一项所述的方法,其中,所述使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果包括:
获取训练数据;
根据所述目标数值、所述第一比特宽度与所述第二比特宽度,对所述待压缩神经网络模型中的参数进行稀疏化处理,得到稀疏化神经网络模型;
使用所述训练数据对所述稀疏化神经网络模型进行训练,得到所述稀疏化神经网络模型的损失函数值与模型精度;
在确定所述模型精度未满足第一预设条件的情况下,使用所述损失函数值对所述待压缩神经网络模型的参数进行调整之后,转至执行得到稀疏化神经网络模型的步骤,直至所述模型精度满足第一预设条件,将所述稀疏化神经网络模型作为第二神经网络模型;
根据所述第二神经网络模型,得到所述待压缩神经网络模型的压缩结果。
10.根据权利要求9所述的方法,其中,所述根据所述第二神经网络模型,得到所述待压缩神经网络模型的压缩结果包括:
根据所述第二比特宽度,对所述第二神经网络模型中未设置为零的参数进行量化处理,得到量化神经网络模型;
使用所述训练数据对所述量化神经网络模型进行训练,得到所述量化神经网络模型的损失函数值与模型精度;
在确定所述模型精度未满足第二预设条件的情况下,使用所述损失函数值对所述第二神经网络模型的参数进行调整之后,转至执行得到所述量化神经网络模型的步骤,直至所述模型精度满足第二预设条件,将所述量化神经网络模型作为所述待压缩神经网络模型的压缩结果。
11.一种压缩神经网络模型的装置,包括:
获取单元,用于获取待压缩神经网络模型;
确定单元,用于确定对应所述待压缩神经网络模型的第一比特宽度、第二比特宽度与目标稀疏率;
处理单元,用于根据所述第一比特宽度、所述第二比特宽度与所述目标稀疏率,得到目标数值;
压缩单元,用于使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果。
12.根据权利要求11所述的装置,其中,所述确定单元在确定对应所述待压缩神经网络模型的第一比特宽度时,具体执行:
确定运行所述待压缩神经网络模型的处理器;
将所述处理器的向量宽度,作为对应所述待压缩神经网络模型的第一比特宽度。
13.根据权利要求11-12中任一项所述的装置,其中,所述确定单元在确定对应所述待压缩神经网络模型的第二比特宽度时,具体执行:
确定运行所述待压缩神经网络模型的处理器;
根据所述处理器中的指令集的向量宽度,确定对应所述待压缩神经网络模型的第二比特宽度。
14.根据权利要求11-13中任一项所述的装置,其中,所述确定单元在确定对应所述待压缩神经网络模型的目标稀疏率时,具体执行:
获取所述待压缩神经网络模型的属性信息;
将与所述属性信息对应的稀疏率,作为对应所述待压缩神经网络模型的目标稀疏率。
15.根据权利要求11-14中任一项所述的装置,其中,所述处理单元在根据所述第一比特宽度、所述第二比特宽度与所述目标稀疏率,得到目标数值时,具体执行:
计算所述第二比特宽度与所述目标稀疏率之间的乘积;
将所述第一比特宽度与所述乘积之间的相除结果,作为所述目标数值。
16.根据权利要求11-15中任一项所述的装置,其中,所述压缩单元在使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果时,具体执行:
根据所述目标数值、所述第一比特宽度与所述第二比特宽度,对所述待压缩神经网络模型中的参数进行稀疏化处理,得到第一神经网络模型;
根据所述第一神经网络模型,得到所述待压缩神经网络模型的压缩结果。
17.根据权利要求16所述的装置,其中,所述压缩单元在根据所述目标数值、所述第一比特宽度与所述第二比特宽度,对所述待压缩神经网络模型中的参数进行稀疏化处理,得到第一神经网络模型时,具体执行:
将所述待压缩神经网络模型中连续的、对应所述目标数值个数的参数作为一个参数单元;
按照绝对值从小到大的顺序,对所述参数单元包含的参数进行排序;
根据所述第一比特宽度、所述第二比特宽度与所述目标数值,得到置零数量;
将所述待压缩神经网络模型的参数单元中排在置零数量之前的参数设置为零,得到所述第一神经网络模型。
18.根据权利要求16-17中任一项所述的装置,其中,所述压缩单元在根据所述第一神经网络模型,得到所述待压缩神经网络模型的压缩结果时,具体执行:
根据所述第二比特宽度,对所述第一神经网络模型中未设置为零的参数进行量化处理;
将量化处理之后的神经网络模型,作为所述待压缩神经网络模型的压缩结果。
19.根据权利要求11-15中任一项所述的装置,其中,所述压缩单元在使用所述目标数值、所述第一比特宽度与所述第二比特宽度对所述待压缩神经网络模型进行压缩,得到所述待压缩神经网络模型的压缩结果时,具体执行:
获取训练数据;
根据所述目标数值、所述第一比特宽度与所述第二比特宽度,对所述待压缩神经网络模型中的参数进行稀疏化处理,得到稀疏化神经网络模型;
使用所述训练数据对所述稀疏化神经网络模型进行训练,得到所述稀疏化神经网络模型的损失函数值与模型精度;
在确定所述模型精度未满足第一预设条件的情况下,使用所述损失函数值对所述待压缩神经网络模型的参数进行调整之后,转至执行得到所述稀疏化神经网络模型的步骤,直至所述模型精度满足第一预设条件,将所述稀疏化神经网络模型作为第二神经网络模型;
根据所述第二神经网络模型,得到所述待压缩神经网络模型的压缩结果。
20.根据权利要求19所述的装置,其中,所述压缩单元在根据所述第二神经网络模型,得到所述待压缩神经网络模型的压缩结果时,具体执行:
根据所述第二比特宽度,对所述第二神经网络模型中未设置为零的参数进行量化处理,得到量化神经网络模型;
使用所述训练数据对所述量化神经网络模型进行训练,得到所述量化神经网络模型的损失函数值与模型精度;
在确定所述模型精度未满足第二预设条件的情况下,使用所述损失函数值对所述第二神经网络模型的参数进行调整之后,转至执行得到所述量化神经网络模型的步骤,直至所述模型精度满足第二预设条件,将所述量化神经网络模型作为所述待压缩神经网络模型的压缩结果。
21.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111457675.5A CN114418086B (zh) | 2021-12-02 | 2021-12-02 | 压缩神经网络模型的方法、装置 |
EP22202175.0A EP4191478A1 (en) | 2021-12-02 | 2022-10-18 | Method and apparatus for compressing neural network model |
US17/968,688 US11861498B2 (en) | 2021-12-02 | 2022-10-18 | Method and apparatus for compressing neural network model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111457675.5A CN114418086B (zh) | 2021-12-02 | 2021-12-02 | 压缩神经网络模型的方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418086A true CN114418086A (zh) | 2022-04-29 |
CN114418086B CN114418086B (zh) | 2023-02-28 |
Family
ID=81266205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111457675.5A Active CN114418086B (zh) | 2021-12-02 | 2021-12-02 | 压缩神经网络模型的方法、装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11861498B2 (zh) |
EP (1) | EP4191478A1 (zh) |
CN (1) | CN114418086B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681110A (zh) * | 2022-10-24 | 2023-09-01 | 荣耀终端有限公司 | 极值算法的配置方法、电子设备、程序产品及介质 |
WO2024012303A1 (zh) * | 2022-07-12 | 2024-01-18 | 维沃移动通信有限公司 | 一种ai网络模型交互方法、装置和通信设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019091401A1 (zh) * | 2017-11-08 | 2019-05-16 | 杭州海康威视数字技术股份有限公司 | 深度神经网络的网络模型压缩方法、装置及计算机设备 |
US20190228284A1 (en) * | 2018-01-22 | 2019-07-25 | Qualcomm Incorporated | Lossy layer compression for dynamic scaling of deep neural network processing |
CN110443359A (zh) * | 2019-07-03 | 2019-11-12 | 中国石油大学(华东) | 基于自适应联合剪枝-量化的神经网络压缩算法 |
CN110555521A (zh) * | 2018-06-01 | 2019-12-10 | 三星电子株式会社 | 神经网络稀疏激活映射的无损压缩 |
CN111033531A (zh) * | 2017-06-21 | 2020-04-17 | Arm有限公司 | 用于格式化神经网络参数的系统和设备 |
CN113168554A (zh) * | 2018-12-29 | 2021-07-23 | 华为技术有限公司 | 一种神经网络压缩方法及装置 |
CN113269312A (zh) * | 2021-06-03 | 2021-08-17 | 华南理工大学 | 一种联合量化与剪枝搜索的模型压缩方法及其系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI745697B (zh) * | 2019-05-24 | 2021-11-11 | 創鑫智慧股份有限公司 | 用於神經網路參數的運算系統及其壓縮方法 |
TWI722491B (zh) * | 2019-07-16 | 2021-03-21 | 國立陽明交通大學 | 應用於神經網絡之四位元與八位元組合之分離式量化方法 |
US20210089922A1 (en) * | 2019-09-24 | 2021-03-25 | Qualcomm Incorporated | Joint pruning and quantization scheme for deep neural networks |
TWI737300B (zh) * | 2020-05-15 | 2021-08-21 | 國立陽明交通大學 | 深度神經網路壓縮的方法 |
-
2021
- 2021-12-02 CN CN202111457675.5A patent/CN114418086B/zh active Active
-
2022
- 2022-10-18 US US17/968,688 patent/US11861498B2/en active Active
- 2022-10-18 EP EP22202175.0A patent/EP4191478A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111033531A (zh) * | 2017-06-21 | 2020-04-17 | Arm有限公司 | 用于格式化神经网络参数的系统和设备 |
WO2019091401A1 (zh) * | 2017-11-08 | 2019-05-16 | 杭州海康威视数字技术股份有限公司 | 深度神经网络的网络模型压缩方法、装置及计算机设备 |
US20190228284A1 (en) * | 2018-01-22 | 2019-07-25 | Qualcomm Incorporated | Lossy layer compression for dynamic scaling of deep neural network processing |
CN110555521A (zh) * | 2018-06-01 | 2019-12-10 | 三星电子株式会社 | 神经网络稀疏激活映射的无损压缩 |
CN113168554A (zh) * | 2018-12-29 | 2021-07-23 | 华为技术有限公司 | 一种神经网络压缩方法及装置 |
CN110443359A (zh) * | 2019-07-03 | 2019-11-12 | 中国石油大学(华东) | 基于自适应联合剪枝-量化的神经网络压缩算法 |
CN113269312A (zh) * | 2021-06-03 | 2021-08-17 | 华南理工大学 | 一种联合量化与剪枝搜索的模型压缩方法及其系统 |
Non-Patent Citations (1)
Title |
---|
雷杰等: "深度网络模型压缩综述", 《软件学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024012303A1 (zh) * | 2022-07-12 | 2024-01-18 | 维沃移动通信有限公司 | 一种ai网络模型交互方法、装置和通信设备 |
CN116681110A (zh) * | 2022-10-24 | 2023-09-01 | 荣耀终端有限公司 | 极值算法的配置方法、电子设备、程序产品及介质 |
CN116681110B (zh) * | 2022-10-24 | 2024-05-14 | 荣耀终端有限公司 | 极值算法的配置方法、电子设备、程序产品及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114418086B (zh) | 2023-02-28 |
EP4191478A1 (en) | 2023-06-07 |
US20230177326A1 (en) | 2023-06-08 |
US11861498B2 (en) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113239705B (zh) | 语义表示模型的预训练方法、装置、电子设备和存储介质 | |
CN114418086B (zh) | 压缩神经网络模型的方法、装置 | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN112597754A (zh) | 文本纠错方法、装置、电子设备和可读存储介质 | |
CN114494814A (zh) | 基于注意力的模型训练方法、装置及电子设备 | |
CN114463551A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN113468857A (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN113641829A (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
CN116611495B (zh) | 深度学习模型的压缩方法、训练方法、处理方法及装置 | |
CN112558918B (zh) | 用于神经网络的乘加运算方法和装置 | |
CN114998649A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN114218166A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN114021642A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
CN113887435A (zh) | 人脸图像处理方法、装置、设备、存储介质及程序产品 | |
CN113556575A (zh) | 用于压缩数据的方法、装置、设备、介质和产品 | |
CN113361575A (zh) | 模型训练方法、装置和电子设备 | |
CN113099216B (zh) | 编码复杂度评估方法、装置、设备以及存储介质 | |
CN116702861B (zh) | 深度学习模型的压缩方法、训练方法、处理方法和装置 | |
CN116341689B (zh) | 机器学习模型的训练方法、装置、电子设备及存储介质 | |
CN115511047B (zh) | Softmax模型的量化方法、装置、设备及介质 | |
CN117747000A (zh) | 基因测序文件的压缩方法及装置、电子设备和存储介质 | |
CN117318728A (zh) | 信息压缩、信息解压缩方法、装置、设备、介质及产品 | |
CN116382787A (zh) | 在页面中加载动画的方法、装置、电子设备与可读存储介质 | |
CN115482422A (zh) | 深度学习模型的训练方法、图像处理方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |