深度神经网络压缩调研:挑战,概述和解决方案
本文对深度神经网络模型压缩和加速的最新技术进行了回顾,介绍了参数修剪、量化、转移 / 紧凑卷积滤镜和知识蒸馏等四类技术及其表现、应用、优点和缺点,同时探讨了评估矩阵、评估模型表现所使用的主要数据集和最近的基准努力,并讨论了面临的挑战和未来方向。
Oct, 2017
深度神经网络(DNNs)在许多人工智能(AI)任务中被广泛使用,为了解决其部署带来的巨大的内存、能量和计算成本挑战,研究人员开发了各种模型压缩技术,最近还有越来越多的研究关注定制化 DNN 硬件加速器以更好地利用模型压缩技术,此外,保护安全和隐私对于部署 DNNs 至关重要,我们的研究综述首先涵盖主流的模型压缩技术,如模型量化、模型修剪、知识蒸馏和非线性运算优化,然后介绍了设计可以适应高效模型压缩方法的硬件加速器的最新进展,此外,我们还讨论了如何将同态加密集成到安全 DNN 部署中,最后,我们讨论了硬件评估、泛化和各种压缩方法的集成等几个问题,总体来说,我们旨在从算法、硬件加速器和安全性角度提供高效 DNN 的整体概况。
May, 2024
通过本文,我们调查了低功耗和能效更高的深度神经网络实现的最新进展,其提高了深度神经网络的可部署性而在不显著牺牲准确性的情况下。这些技术可以分为三个主要类别:神经网络压缩、网络架构搜索和设计、以及编译器和图优化。我们调查了卷积和变换器深度神经网络的低功耗技术,并总结了其优点、缺点和研究中的问题。
Aug, 2023
DeepIoT 是一种压缩神经网络的解决方案,它通过找到每个层所需的最小数量的非冗余隐藏元素,将神经网络结构压缩成更小的密集矩阵,同时保持感知应用程序的性能。在 Intel Edison 设备上的五个不同的感知相关任务中进行实验,DeepIoT 在执行时间和能源消耗方面优于所有比较的基线算法,而不会损失准确性。
Jun, 2017
本文概述了高效深度学习的方法、系统和应用,包括流行的模型压缩方法、自动化模型设计和用户自定义的基于设备的训练,以及各种针对特定任务和空间 - 时间冗余的加速技术和系统设计。
Apr, 2022
本研究开发了一种基于人类视觉和深层神经网络架构的图像压缩框架 DeepN-JPEG 来降低智能物联网系统中数据存储和传输开销,并通过实验证明该方法能够在保持图像识别准确性的同时,实现高达 JPEG 的 3.5 倍的压缩率,具有在基于 DNN 智能物联网系统设计中提升存储和能量效率的巨大潜力。
Mar, 2018
深度学习算法在提高人类任务自动化能力方面发挥了重要作用,然而,这些模型性能的巨大提升与其日益复杂性高度相关,限制了它们在以人为本的应用中的实用性,而这些应用通常部署在资源受限的设备上。因此,我们需要压缩技术来大幅减小深度学习模型的计算和内存成本,同时又能保持较高的性能。本文通过对模型压缩技术的综述,特别关注量化、知识蒸馏和修剪等方法在生物特征识别应用中的应用,从而对该领域的研究现状进行了系统化总结。我们对这些技术的比较价值进行了关键分析,着重讨论了它们的优点和缺点,并提出了进一步研究方向的建议,以改进当前的方法。此外,我们还讨论和分析了模型偏见与模型压缩之间的联系,强调了未来的研究需要将压缩技术引向模型公平性的方向。
Jan, 2024
该论文介绍了一种名为 “深度压缩” 的技术,通过三阶段的网络压缩流程 —— 剪枝、量化和霍夫曼编码 —— 可以将神经网络模型的存储资源需求减小 35 到 49 倍,而同时不影响网络的准确性,该技术可以在嵌入式系统中使用,可以极大地提升模型的应用性能。
Oct, 2015