本文参考文档

  1. http://blog.csdn.net/zhongshaoyy/article/details/78552360 ShiftCNN-基于量化的低精度网络表达
  2. http://blog.csdn.net/shuzfan/article/category/6271575 神经网络压缩与加速|博客专栏
  3. http://blog.csdn.net/cookie_234/article/details/75386737 INQ论文翻译博客
  4. http://blog.csdn.net/u014380165/article/details/77763046 WEQ论文翻译博客
  5. https://github.com/EunhyeokPark/script\_for\_WQ WEQ实现的caffe代码
  6. http://www.sohu.com/a/217441072_465975 Uber提出SBNet：利用激活的稀疏性加速卷积网络
  7. http://blog.csdn.net/dlfxjc2/article/details/79168804 嵌入式/压缩神经网络相关工作汇总
  8. https://zhuanlan.zhihu.com/p/30272738 孙剑：如何在公司做好计算机视觉的研究

深度学习压缩相关论文

  1. ShiftCNN: Generalized Low-Precision Architecture for Inference of Convolutional Neural Networks[简述][Quantization]本文提出的ShiftCNN模型利用类似残差量化方法来进行量化操作，并且将乘法运算替换成了移位和加法来提高计算速度，根据估计Shift-CNN会将乘法运算转换成多次移位运算，并且会附加一些逻辑判断。所以文章只提供了FPGA实现的相关数据，并未提供移动处理器相关的测试。
  2. Extremely Low Bit Neural Network: Squeeze the Last Bit Out with ADMM[简述][Quantization]
  3. Incremental Network Quantization Towards Lossless CNNs with Low-Precision Weights[简述][Quantization]
  4. SBNet: Sparse Blocks Network for Fast Inference[简述][Sparsity]本文是Uber提出的利用稀疏块来加速神经网络推理的方案，值得注意的是论文中提到了SBNet最终的计算还是使用现有的密集卷积实现，这样有利于兼容现有的深度学习框架，具体过程使用了叫做gather和scatter的操作。SBNet的加速效果很大程度上取决于模型的稀疏性，Uber论文中的示例模型和点云处理相关(达到95%稀疏度)，可能会限制其应用范围，这点值得注意。

深度学习加速相关论文

  1. MEC: Memory-efficient Convolution for Deep Neural Network [简述][Operator]本文通过解决常用的im2col + GEMM计算方式中中间结果内存占用和消耗比较大的问题来进行计算加速，具体方法为分块进行imcol操作(增加内存复用率)来减少内存占用。因为对于嵌入式芯片而言片上SRAM比较小，较小的内存消耗能帮助嵌入式产品得到有效的计算加速效果。

results matching ""

    No results matching ""