用于深度卷积神经网络的层内非均匀量化
计算机视觉与模式识别
2016-08-09 v2
摘要
近年来，深度卷积神经网络（DCNN）在目标检测和语音识别方面取得了显著性能。然而，DCNN 的优异性能伴随着高计算复杂度和大的内存需求。本文提出了一种等距非均匀量化（ENQ）方案和一种 K-means 聚类非均匀量化（KNQ）方案，以在考虑低复杂度硬件或软件实现时减少所需的内存存储。对于 VGG-16 和 AlexNet，与最先进的量化方法相比，所提出的非均匀量化方案将所需内存存储量减少了约 50%，同时实现了几乎相同甚至更好的分类精度。与 ENQ 方案相比，当要求更高精度时，所提出的 KNQ 方案提供了更好的权衡。
引用
@article{arxiv.1607.02720,
title = {Intra-layer Nonuniform Quantization for Deep Convolutional Neural Network},
author = {Fangxuan Sun and Jun Lin and Zhongfeng Wang},
journal= {arXiv preprint arXiv:1607.02720},
year = {2016}
}
备注
submitted to WCSP 2016