权值量化与霍夫曼编码

本文介绍了权值量化和霍夫曼编码在神经网络压缩中的作用。通过权值量化,可以实现神经网络的压缩,例如在图1的例子中,通过4个共享权值实现了16个权值的3.2倍压缩率。而霍夫曼编码则是一种根据源符号概率分布进行的无损编码方法,适用于非均匀分布的数据,如神经网络中量化权值和索引值的分布,能节省约20%-30%的存储空间。尽管实际应用中由于解码成本高,霍夫曼编码的使用较少,但它为后续的量化方法提供了理论基础。
摘要由CSDN通过智能技术生成

Trained Quantization

在这里插入图片描述
Fig1. Weight sharing by scalar quantization (top) and centroids fine-tuning (bottom)
图1 通过标量量化(上部)和质心微调(底部)共享权值

假设有4个输入神经元和4个输出神经元,权值就是一个 4 ∗ 4 4*4 4

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Gallant Hu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值