Dec, 2023

MaxQ：用于 N:M 稀疏网络的多轴查询

PDF
TL;DR本文提出了一种高效有效的多轴查询方法 MaxQ，通过动态生成软性 N:M 掩码来考虑多个轴上的权重重要性，从而解决现有 N:M 稀疏性方法中对权重相对重要性的不区分以及对整个网络直接应用 N:M 稀疏性造成的信息丢失问题。实验结果表明，在各种计算机视觉任务中，包括图像分类、目标检测和实例分割中，MaxQ 在不同 CNN 架构上都取得了一致的改进效果。
n:m sparsitymulti-axis query methodologymaxqweight importancepruning-induced damage
发现论文，激发创造
  • 加速稀疏神经网络的训练：一种可以证明有效的 N:M 可转换掩码发现方法

    本研究提出了一种新的称为掩码多样性的度量方法来降低 DNN 的内存占用，并介绍了一种可同时用于前向和后向传递的新型可转置细粒度稀疏掩码，通过使用最小成本流问题来寻找最优的可转置掩码，并且还提出了一种将无结构稀疏模型转换为 N:M 细粒度块稀疏模型的方法。

    Feb, 2021

  • 激活和神经梯度的最优细粒度 N:M 稀疏性

    该论文研究在深度学习中如何使用 N:M 稀疏性技术来压缩数据并加速训练，并提出了一种最优的基于张量的方法来剪裁神经梯度，从而达到训练加速的效果。

    Mar, 2022

  • 带有衰减剪枝掩码的 N:M 结构稀疏化训练配方

    本文研究 N:M 稀疏性训练的不同方法，并提出了两种新的基于衰减的修剪方法，即 “修剪掩码衰减” 和 “稀疏结构衰减”。研究表明，这些提出的方法在保持与非结构化稀疏性可比的模型精度同时，增加的总训练计算量（FLOPs）相对较小。

    Sep, 2022

  • MultiMax：稀疏和多模态的注意力学习

    通过提出 MultiMax 这种分段可微凸函数，根据输入条目范围自适应调节输出分布，我们解决了 SoftMax 及其变体在多模态和稀疏性之间的权衡问题，成功产生了抑制无关条目而保留多模态的分布，对图像分类、语言建模和机器翻译产生了有益的影响。

    Jun, 2024

  • 稀疏卷积神经网络的聚焦量化

    本文提出一种基于二次幂值的、专注于稀疏 CNN 的量化策略，并结合无损编码构建一种高压缩比、计算成本低、准确率几乎无损的压缩管线，在 ResNet-50 网络上实现 18.08x CR 的压缩效果，同时也证明更硬件有效。

    Mar, 2019

  • 细粒度结构化稀疏感知图像修复

    本文提出了一种新的修剪方法，用于在不影响恢复精度的情况下减小图像修复网络的尺寸，该方法根据每个层的不同计算复杂度和性能要求确定 N:M 结构稀疏的修剪比，通过大量的实验结果表明，该方法在超分辨率和去模糊任务中的表现优于以前的修剪方法。

    Apr, 2022

  • N:M 稀疏性的空间重参数化

    本文提出了 Spatial Re-parameterization (SpRe) 方法，用于 N:M 稀疏性在 CNN 中的应用。该方法可以在训练期间利用非结构化稀疏性的空间稀疏性分布来为 N:M 稀疏性模型分配一个额外的支路，使其可以维持类似于非结构化稀疏性的空间稀疏性分布。在推理期间，该额外的支路可以进一步重新参数化为主要的 N:M 支路，而不会对稀疏模式或额外的计算成本产生扭曲。SpRe 方法可以在各种基准测试中匹配 N:M 稀疏性方法的表现与最先进的非结构化稀疏性方法。

    Jun, 2023

  • 使用低比特 NxM 稀疏压缩预训练 Transformers 以增强自然语言理解

    本文提出了新的框架 NxMiFormer，同时使用 ADMM 和 STE-based QAT 进行稀疏化和量化，通过搜索算法找到最优的异构压缩配置，使预处理 Transformer 网络在 NLU 测试中达到 93% 的压缩率并保持 98% 以上的准确性。

    Jun, 2022

  • nuQmm: 大规模生成式语言模型高效推理的量化矩阵乘法

    该论文提出了一个有效的推理框架用于大规模生成式语言模型，采用自我监督学习和 Transformer 架构的最新进展实现了低困惑度，通过非均匀量化和 nuQmm 的加速矩阵乘法，实现了模型大小的减小，并减少了大型 LM 的推理延迟

    Jun, 2022

  • 应急稀疏性的掩码矩阵乘法

    利用动态代码查找和稀疏性映射等方法，构建了一个矢量化和并行矩阵乘法系统，针对人工智能工作负载中的稀疏数据表示进行了优化，从而显著提升了性能。

    Feb, 2024