《表1 基于强化学习的轻量级模型方法的比较》
AMC[5]算法提出:压缩精度对每层的稀疏性非常敏感,需要细粒度的动作空间.与传统的在离散空间上进行搜索不同,AMC[5]算法采用DDPC[49]代理的连续压缩比控制策略,通过优化损失函数学习模型压缩策略.特别地,DDPC[49]代理以分层的方式处理神经网络,对于每一层Lt,代理接受编码该层的有用特征St,然后输出精确压缩比.第Lt层压缩完成后,代理移动到下一层Lt+1,在没有微调的情况下,对压缩后的神经网络中的所有层的精度进行评估.这种简单的近似,可以避免不必要的重新训练,并提供高质量的搜索结果.不同的基于强化学习的轻量级模型方法的比较见表1.AMC[5]与其他方法N2N[50],NT[51],NAS[6]的区别在于无需微调,仅需要设计一个简单的控制器,实现用较少的GPU时间实现快速压缩,同时也支持连续的动作空间.
图表编号 | XD00153544600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.01 |
作者 | 葛道辉、李洪升、张亮、刘如意、沈沛意、苗启广 |
绘制单位 | 西安市大数据与视觉智能关键技术重点实验室(西安电子科技大学)、嵌入式技术与视觉处理研究中心(西安电子科技大学)、嵌入式技术与视觉处理研究中心(西安电子科技大学)、上海宽带技术及应用工程研究中心、西安市大数据与视觉智能关键技术重点实验室(西安电子科技大学)、嵌入式技术与视觉处理研究中心(西安电子科技大学)、西安市大数据与视觉智能关键技术重点实验室(西安电子科技大学)、陕西省区块链与安全计算重点实验室(西安电子科技大学) |
更多格式 | 高清、无水印(增值服务) |