一种超低损失的深度神经网络量化压缩方法

摘要：

深度神经网络(deep neural network,简称DNN)量化是一种高效的模型压缩方法,使用少量位宽表示模型计算过程中的参数和中间结果数据.数据位宽会直接影响内存占用、计算效率和能耗.以往的模型量化研究缺乏有效的定量分析,这导致量化损失难以预测.提出了一种超低损失的DNN量化方法(ultra-low loss quantization,简称μL2Q),以揭示量化位宽与量化损失之间的内在联系,指导量化位宽选择并降低量化损失.首先,将原始数据映射为标准正态分布的数据;然后,在等宽的量化区间中搜索最优量化参数;最后,将μL2Q方法融合进DNN的训练过程,并嵌入到主流的机器学习框架Caffe及Keras中,以支撑端到端模型压缩的设计和训练.实验结果表明,与最新的研究方法相比,在相同的位宽条件下,μL2Q方法能够保证更高的模型精度,在典型的神经网络模型上精度分别提高了1.94％,3.73％和8.24％.显著性物体检测实验结果表明,pL2Q方法能够胜任复杂的计算机视觉任务.

关键词：神经网络压缩;神经网络量化;权值分布;均匀量化;量化损失最优解

所属期刊栏目：32

分类号：TP181(自动化基础理论)

资助基金：国家重点研发计划;国家自然科学基金;天津自然科学基金;计算机体系结构国家重点实验室中国科学院计算技术研究所开放课题;中国高校产学研创新基金;工业机器人应用福建省高校工程研究中心闽江学院开放基金

在线出版日期：2021-08-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共17页

页码：2391-2407