量化、投影和修剪
压缩深神经网络进行量化,投影,或修剪
使用深度学习工具箱™一起深度学习工具箱量化模型库万博1manbetx支持包减少内存占用和计算需求的深层神经网络:
修剪过滤器从卷积层利用一阶泰勒近似。然后您可以生成C / c++或者CUDA®从这个修剪网络代码。
预测层进行主成分分析(PCA)层激活使用一个数据集训练数据的代表和层可学的应用线性预测参数。向前传球的预测深层神经网络通常更快部署网络嵌入式硬件时使用library-free C / c++代码生成。
量化权重、偏见和激活层减少精度整数数据类型。然后您可以生成C / c++, CUDA或HDL代码从这个量子化的网络。
C / c++和CUDA代码生成卷积深层神经网络的软件生成代码通过量化权重,偏见,和卷积的激活层8位整数数据类型。量化是通过提供校准执行的结果文件产生的
校准函数codegen(MATLAB编码器)命令。代码生成不支持量化深度产生的神经网络万博1manbetx
数字转换函数。
功能
应用程序
| 深层网络量化器 | 数字转换深神经网络对8位整数数据类型 |
主题
修剪
- 图像分类网络的参数修剪和量化
使用参数修剪和量化,以减少网络的大小。 - 删除图像分类网络使用泰勒的分数
这个例子展示了如何减少大小的深层神经网络使用泰勒修剪。 - 删除过滤器在检测网络使用泰勒的分数
这个例子展示了如何减少网络规模和增加推理速度修剪卷积过滤器在您只看一次(YOLO)意思v3对象检测网络。
投影
- 压缩使用投影神经网络
这个例子展示了如何使用投影压缩神经网络和主成分分析。
深度学习量化
量化为GPU的目标
- 生成INT8代码深入学习网络(GPU编码器)
数字转换和生成代码pretrained卷积神经网络。 - 数字转换残余网络训练图像分类和生成CUDA代码
这个例子展示了如何在卷积数字转换可学的参数层的深度学习神经网络剩余连接和与CIFAR-10数据已经训练图像分类。 - 数字转换层对象探测器和生成CUDA代码
这个例子展示了如何生成CUDA®代码SSD车辆检测器和YOLO v2意思车辆检测器在8位整数执行推理计算卷积的层。 - 数字转换的语义分割网络和生成CUDA代码
数字转换卷积神经网络训练了语义分割和生成CUDA代码
量化为FPGA的目标
- 数字转换为FPGA部署网络(深度学习HDL工具箱)
减少内存占用的深层神经网络通过量化权重,偏见,和激活卷积层8位整数数据类型。 - 在FPGA使用量化神经网络分类图像(深度学习HDL工具箱)
这个例子展示了如何使用深度学习HDL工具箱™部署一个量子化的深卷积神经网络(CNN)的FPGA。 - 分类图片FPGA通过量化GoogLeNet网络(深度学习HDL工具箱)
这个例子展示了如何使用深度学习HDL工具箱™来部署一个量子化GoogleNet网络对图像进行分类。
量化为CPU的目标
- 生成int8代码深入学习网络(MATLAB编码器)
数字转换和生成代码pretrained卷积神经网络。 - 为深入学习网络生成INT8代码树莓π(MATLAB编码器)
为深入学习网络生成代码执行推理计算在8位整数。
