基于内存压缩技术的GAN加速综述
机器学习
2021-08-17 v1 计算机视觉与模式识别
神经与进化计算
摘要
自发明以来，生成对抗网络（GANs）已在诸多应用中展现出卓越成果。生成对抗网络功能强大，却是耗费资源的深度学习模型。其与普通深度学习模型的主要区别在于输出的性质：例如，GAN 的输出可以是整幅图像，而其他模型用于检测物体或分类图像。因此，网络的结构与数值精度影响解决方案的质量与速度。故而，加速 GANs 至关重要。加速 GANs 可分为三大主线：（1）内存压缩，（2）计算优化，（3）数据流优化。由于数据传输是能耗的主要来源，内存压缩带来最大节省。因此，本文综述基于 CNN 的 GANs 的内存压缩技术。此外，本文总结了 GANs 加速中的机遇与挑战，并提出了有待进一步研究的开放问题。
引用
@article{arxiv.2108.06626,
title = {A Survey on GAN Acceleration Using Memory Compression Technique},
author = {Dina Tantawy and Mohamed Zahran and Amr Wassal},
journal= {arXiv preprint arXiv:2108.06626},
year = {2021}
}
备注
21 pages, 17 figures