Adaptive Exponential Weight Discretization for Compact and energy-efficient CNN Inference
Notice bibliographique
Résumé
Convolutional Neural Networks (CNN) compression and optimization techniques for the inference process attract attention due to CNN’s broad range of applications in many fields. Implementing CNNs for embedded deceives, however, faces great challenges due to the devices’ limited hardware resources. Recently, real-time pplications based on complex CNNs require optimization and compression techniques to make CNNs run faster in compact and energyefficient embedded devices. CNN odel optimization and compression include pruning and weight quantization. Conventional pruning techniques often suffer from poor compression ratio, so they still have a large number of float point weights leading to embedded devices with excessive hardware cost or slow inference speed. Conventional quantization techniques often result in an unacceptable loss in inference accuracy. To overcome the above problems, the proposed method introduces an adaptive exponential weight discretization process, which selects discretization parameters based on the sensitivity and the number of the weights in each layer. Unlike many previous compression methods, the proposed method does not require any retraining process nor any fine-tuning methods. The proposed weight discretization has been evaluated using the VGG16 CNN model with the ImageNet dataset for classification. The evaluation demonstrated that it saves 48 % of computation for fully connected layers and it reduces the overall weight memory size from 528 MB to 44.24 MB – a reduction of 11.9 times. We also demonstrate that the optimized CNN loses negligible loss – a loss of only .43% in the top-5 accuracy and a loss of only 1.44% in the top-1 accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».