智能AI
morning
修剪二值化神经网络：专用框架和全局加权算法
摘要
arXiv:2608.26233v1 Announce Type: new Abstract: Extreme compression of deep neural networks, up to full binarization, dramatically reduces memory footprint and arithmetic complexity, facilitating depl...
and
pruning
the
with
binarized
framework
new
neural
networks
binarization
2026-08-28
1 阅读
约1分钟阅读
Roan Rubiales, Jean Pierre David
字号:
arXiv:2608.26233v1 公告类型：新 摘要：深度神经网络的极端压缩直至完全二值化，可显着减少内存占用和算术复杂性，从而促进在具有现场可编程门阵列 (FPGA) 和微控制器的受限边缘硬件上的部署。尽管将二值化与剪枝相结合可以带来额外的效率提升，但现有的剪枝策略不适合二值化表示，并且很少转化为有意义的硬件节省。我们引入了一个基于 PyTorch 的、以研究为导向的框架，该框架结合了冻结和修剪机制来设计和优化二值化神经网络。该框架能够对最先进的方法进行快速且可重复的评估，并快速构建新方法的原型。利用这个框架，我们提出了一种新颖的修剪方法，该方法考虑了跨抽象级别的学习参数的相对重要性。这种全局加权机制始终在模型精度和剪枝率之间实现了卓越的权衡，在 VGG11 上以恒定的精度实现了 70% 的剪枝率，而最先进的结果在二值化设置中仅达到 41%。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱