[B! batch normalization][quantization] arxiv_readerのブックマーク

arxiv_reader id:arxiv_reader

batch normalizationとquantizationに関するarxiv_readerのブックマーク (27)

https://arxiv-check-250201.firebaseapp.com/each/2408.13925v1
arxiv_reader 2024/08/27
arXiv reaDer

domain adaptation

batch normalization

dataset

zero-shot

detection

quantization

arXiv
リンク
https://arxiv-check-250201.firebaseapp.com/each/2403.14999v1
arxiv_reader 2024/03/25
batch normalization

DNN

arXiv reaDer

quantization

arXiv

compression
リンク
https://arxiv-check-250201.firebaseapp.com/each/2402.07200v1
arxiv_reader 2024/02/13
compression

batch normalization

arXiv reaDer

quantization

arXiv

CNN
リンク
https://arxiv-check-250201.firebaseapp.com/each/2312.06900v1
arxiv_reader 2023/12/13
arXiv reaDer

activity

quantization

SNN

bias

batch normalization

arXiv

dataset

CNN
リンク
https://arxiv-check-250201.firebaseapp.com/each/2309.15883v1
arxiv_reader 2023/09/29
quantization

convolutional

attention

detection

arXiv reaDer

batch normalization

SNN

arXiv
リンク
ACQ: Attention Correction による Generative Data-Free Quantization の改善
arxiv_reader 2023/08/01
データなしの量子化は、本物のサンプルにアクセスせずにモデルの量子化を実現することを目的としています。これは、データのプライバシーを含むアプリケーション指向のコンテキストで重要です。ジェネレーターを介し

quantization

adversarial

synthesis

generative

arXiv

attention

batch normalization

arXiv reaDer
リンク
圧縮画像分類のための量子化ステップのピックアップ
arxiv_reader 2023/04/24
圧縮画像に対するディープニューラルネットワークの感度は、多くの実際のアプリケーションでの使用を妨げます。つまり、スクリーンショットを撮って圧縮ファイルとして保存した直後に、分類ネットワークが失敗す

batch normalization

quantization

classification

arXiv

arXiv reaDer
リンク
ACQ: Attention Correction による Generative Data-Free Quantization の改善
arxiv_reader 2023/01/19
データなしの量子化は、本物のサンプルにアクセスせずにモデルの量子化を実現することを目的としています。これは、データのプライバシーを含むアプリケーション指向のコンテキストで重要です。ジェネレーターを介し

batch normalization

quantization

arXiv

generative

adversarial

attention

synthesis

arXiv reaDer
リンク
Genie: 量子化のためのデータを見せて
arxiv_reader 2022/12/12
ゼロショット量子化は、コストやプライバシーに関連する問題など、さまざまな理由でデータにアクセスできない場合に、軽量のディープニューラルネットワークを開発するための有望なアプローチです。ゼロショッ

zero-shot

synthesis

quantization

arXiv

pre-training

dataset

few-shot

arXiv reaDer
リンク
データフリーネットワーク量子化のための条件付き生成的敵対的ネットワークのゼロショット学習
arxiv_reader 2022/10/27
CGANのゼロショット学習（ZS-CGAN）と呼ばれる、トレーニングデータを使用せずに条件付き敵対的生成ネットワーク（CGAN）をトレーニングするための新しい方法を提案します。条件付きジェネレーターの

zero-shot

classification

arXiv

GAN

pre-training

batch normalization

quantization

arXiv reaDer

synthesis

dataset
リンク
PIM-QAT: Processing-In-Memory (PIM) システムのニューラルネットワーク量子化
arxiv_reader 2022/09/20
プロセッシングインメモリ (PIM) は、ますます研究が進んでいるニューロモルフィックハードウェアであり、ディープラーニング推論のエネルギーとスループットの桁違いの改善を約束します。 PIM

quantization

batch normalization

dataset

learning

domain

arXiv reaDer

arXiv
リンク
RepBNN：繰り返しによる拡張機能マップを備えた正確なバイナリニューラルネットワークに向けて
arxiv_reader 2022/07/20
バイナリニューラルネットワーク（BNN）は、畳み込みニューラルネットワーク（CNN）の極端な量子化バージョンであり、すべての機能と重みが1ビットにマッピングされています。 BNNは、CNNをエッジデバ

CNN

representation

arXiv

batch normalization

quantization

arXiv reaDer
リンク
トレーニング後の量子化のためのきめ細かいデータ分布の調整
arxiv_reader 2022/07/06
トレーニング後の量子化は、主に元の完全なトレーニングデータセットへのアクセスを回避したために人気がありますが、パフォーマンスの低下は画像の不足にも起因しています。この制限を緩和するために、この論文では

quantization

dataset

synthesis

arXiv reaDer

batch normalization

zero-shot

arXiv
リンク
正確なアクティベーションクリッピングと適応バッチ正規化によるデータフリー量子化
arxiv_reader 2022/06/23
データフリー量子化は、元のトレーニングデータにアクセスせずにニューラルネットワークを低ビット幅に圧縮するタスクです。ほとんどの既存のデータフリー量子化方法は、特に低ビット幅の場合、不正確なアクティベー

arXiv

dataset

batch normalization

arXiv reaDer

quantization
リンク
正確なアクティベーションクリッピングと適応バッチ正規化によるデータフリー量子化
Data-Free Quantization with Accurate Activation Clipping and Adaptive Batch Normalization データフリー量子化は、元のトレーニングデータにアクセスせずにニューラルネットワークを低ビット幅に圧縮するタスクです。ほとんどの既存のデータフリー量子化方法は、特に低ビット幅の場合、不正確なアクティベーションクリッピング範囲と量子化誤差のために深刻なパフォーマンスの低下を引き起こします。この論文では、正確なアクティベーションクリッピングと適応バッチ正規化を備えたシンプルで効果的なデータフリー量子化手法を紹介します。正確なアクティベーションクリッピング（AAC）は、完全精度モデルからの正確なアクティベーション情報を活用することにより、モデルの精度を向上させます。適応バッチ正規化は、最初に、バッチ正規化層を適応的に更新
arxiv_reader 2022/04/12
データフリー量子化は、元のトレーニングデータにアクセスせずにニューラルネットワークを低ビット幅に圧縮するタスクです。ほとんどの既存のデータフリー量子化方法は、特に低ビット幅の場合、不正確なアクティベー

batch normalization

dataset

arXiv reaDer

arXiv

quantization
リンク
学習された重み統計による深い畳み込みニューラルネットワークの一般化されたゼロショット量子化
arxiv_reader 2021/12/07
浮動小数点の重みと深い畳み込みニューラルネットワークのアクティブ化を固定小数点表現に量子化すると、メモリフットプリントと推論時間が短縮されます。最近、特定のタスクの元のラベルなしトレーニングサンプルを

CNN

distillation

classification

arXiv

arXiv reaDer

zero-shot

pre-training

quantization

estimation

batch normalization
リンク
正確なデータフリー量子化のための多様化するサンプル生成
arxiv_reader 2021/12/03
量子化は、ニューラルネットワークを圧縮および加速するための最も一般的なアプローチの1つとして浮上しています。最近、データフリー量子化が実用的で有望なソリューションとして広く研究されています。 FP32

classification

batch normalization

quantization

arXiv reaDer

arXiv

synthesis
リンク
Qimera：合成境界をサポートするサンプルを使用したデータフリーの量子化
arxiv_reader 2021/11/05
モデルの量子化は、特に軽量のモバイルデバイスやエッジデバイスでの推論のために、ディープニューラルネットワークを圧縮するための有望な方法として知られています。ただし、モデルの量子化では通常、完全な精度の

quantization

arXiv reaDer

arXiv

edge device

batch normalization

embedding

adversarial

disentangling

learning

synthesis
リンク
すべての人に1つの損失：単一のコサイン類似性に基づく学習目標を使用したディープハッシュ
arxiv_reader 2021/09/30
ディープハッシュモデルには通常、2つの主要な学習目的があります。学習したバイナリハッシュコードを識別可能にすることと、量子化誤差を最小限に抑えることです。ビットバランスやコードの直交性などのさらなる制

arXiv

learning

benchmark

batch normalization

quantization

arXiv reaDer

classification
リンク
トレーニング後の量子化のためのきめ細かいデータ分布の調整
arxiv_reader 2021/09/10
トレーニング後の量子化は、主に元の完全なトレーニングデータセットへのアクセスを回避するために人気がありますが、パフォーマンスの低下もこの制限に起因します。この制限を緩和するために、この論文では、キャリ

arXiv reaDer

arXiv

batch normalization

synthesis

quantization

dataset

zero-shot
リンク
1 2 次のページ

お知らせ

もっと読む

公式Twitter

@HatenaBookmark
リリース、障害情報などのサービスのお知らせ
@hatebu
最新の人気エントリーの配信

キーボードショートカット一覧

j次のブックマーク

k前のブックマーク

lあとで読む

eコメント一覧を開く

oページを開く

設定を変更しましたx