这篇文章的主要提升点在激活层的量化。从上图可以看出,当使用mini-batch时,随着batch数的提升,激活层所占据的内存也显著提升。
不同于dorefa-net的量化方式:
wrpn采取了更简单的量化方式:
WRPN的原理是:将特征图拓宽,分为几个,然后再进行量化。虽然前一个操作会增加消耗,但后一个会弥补这个消耗;同时拓宽的操作还会增加精度,使模型最终表现良好。 这个操作应该是存在一个最佳的权衡点,对于不同的网络和数据甚至应用,这个点应该都是不同的。
这篇文章的主要提升点在激活层的量化。从上图可以看出,当使用mini-batch时,随着batch数的提升,激活层所占据的内存也显著提升。
不同于dorefa-net的量化方式:
wrpn采取了更简单的量化方式:
WRPN的原理是:将特征图拓宽,分为几个,然后再进行量化。虽然前一个操作会增加消耗,但后一个会弥补这个消耗;同时拓宽的操作还会增加精度,使模型最终表现良好。 这个操作应该是存在一个最佳的权衡点,对于不同的网络和数据甚至应用,这个点应该都是不同的。