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drrefa-net的量化方式：
wrpn采取了更简单的量化方式：
文章用大量篇幅描述了作者所做的实验，但是对于wrpn的原理只是寥寥几句。所以我并不确定我的理解是否正确，它的意思大概是：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。
WRPN: Wide Reduced-Precision Networks
猜你喜欢
转载自blog.csdn.net/JachinMa/article/details/104005617
今日推荐
周排行