Introduction

原文链接

作者：

• Eunhyeok Park([e-mail])

• Junwhan Ahn § ([e-mail])

• Sungjoo Yoo ([e-mail])

• 首尔国立大学：计算和内存架构实验室 和 §自动化设计实验室

摘要

当使用嵌入式或移动设备进行开发时，由于硬件资源的限制，将原始神经网络进行量化(优化前向预测的开销)成为一种高效的优化手段。量化时需要对其进度损失进行严格的控制。本文旨在提供一种新颖的量化权重和激活输出的方式(基于加权熵)。与二值神经网络不同，我们的方法是进行多位(bit)量化，也就是将权重和激活输出可以被量化到对应位数，从而达到对应的精度。这有利于更灵活地利用不同级别的量化，达到精度和性能的折衷。此外，我们的方案提供了一种基于传统训练算法的自动化量化流程，从而节省了为量化网络所花费的时间。根据对实际神经网络模型的评估：图像分类(AlexNet, GoogLeNet 和 ResNet-50/101)，物体检测(基于ResNet-50的R-FCN)和语言建模(一种 LSTM 网络)，我们的方法在损失很小精度的前提下，对模型大小和计算量都有大幅度的消减。同样，与目前已知的量化方式相比，我们的方式在工作量更低和相同的资源约束的前提下，具有更高的精度。

• gitbook 在线阅读：https://www.gitbook.com/book/chenxiaowei/weighted-entropy-based-quantization