关键词hardware-aware neural architecture search
搜索结果 - 6
- 实时语义分割多目标优化基准测试套件
自动机器学习中的硬件感知神经架构搜索（HW-NAS）任务可视为黑盒多目标优化问题，其中一个重要应用是实时语义分割，通过一项新的基准测试套件 CitySeg/MOP 将 HW-NAS 任务转化为标准多目标优化问题，并在多种多目标进化算法上全面 - CVPR多目标硬件感知神经架构搜索利用硬件成本多样性
提出了一种名为 MO-HDNAS 的多目标方法，通过优化三个目标（最大化表示相似度度量、最小化硬件成本和最大化硬件成本的多样性）在单次运行中以低计算成本的方式，识别出一组权衡的架构，有效地解决了适用于图像分类任务的硬件感知神经架构搜索问题。
- 基层运营商模型边缘适应搜索
我们提出了一种基于数学基础构造新的高效运算符以降低计算复杂度并保持模型精度的 Grassroots 操作符搜索方法，并在各种深度学习模型和边缘设备上展示了其在提高性能和实用应用中的有效性。
- U-Boost NAS: 利用率提升的可微神经结构搜索
本文提出了一种新的硬件感知神经结构搜索框架，旨在优化目标平台上的任务精度、推理延迟和资源利用。通过使用该框架和新的资源利用模型，我们在 CIFAR-10 和 Imagenet-100 数据集上实现了 2.8-4 倍的 DNN 推理加速，并获 - 一台代理设备足矣：面向硬件的神经架构搜索
本文提出一种基于延迟单调性的硬件感知神经架构搜索方法，通过利用搜索的代理设备在新设备上的可重用性和代理适应技术显著提高了单调性，仅使用一个代理设备即可找到接近 Pareto 最优架构，避免了为每个设备构建延迟预测器的高昂成本。
- ICLRHW-NAS-Bench: 硬件感知神经架构搜索基准
本研究提出了一个名为 HW-NAS-Bench 的数据集，该数据集包含了网络搜索空间中所有网络的硬件性能表现数据，并对其进行了综合分析。与通用 NAS 相似，硬件感知神经架构搜索（HW-NAS）是一项需要大量计算资源和硬件设备的研究任务。本