没有合适的资源?快使用搜索试试~ 我知道了~
NM-sparsity
共24个文件
py:13个
md:4个
yaml:3个
需积分: 13 0 下载量 156 浏览量
2021-03-28
20:38:14
上传
评论
收藏 112KB ZIP 举报
温馨提示
N:M细粒度结构的稀疏神经网络 , 为什么N:M稀疏? 深入研究了深度神经网络(DNN)中的稀疏性,以在资源受限的环境中压缩和加速模型。 通常可以将其归类为将整个神经网络中分布的多个单个权重归零的非结构化细粒度稀疏性,以及修剪神经网络块的结构化粗粒度稀疏性。 细粒度的稀疏性可以实现较高的压缩率,但对硬件不友好,因此只能获得有限的速度增益。 另一方面,粗粒度的稀疏性不能同时实现现代GPU上的加速和维持性能。 N:M细粒度结构化稀疏网络,可以在专门设计的GPU上同时保持非结构化细粒度稀疏性和结构化粗粒度稀疏性的优势。 阐明 Nvidia 修剪沿通道尺寸,我们的原始方法仅修剪内核尺寸。 最新的NVIDIA Ampere GPU设计为2:4稀疏性,要实现硬件加速,可以查看以下资源: 方法 与原始的密集模型相比, SR-STE可以以可忽略的额外培训成本获得可比甚至更好的结果,并且只有一个易
资源推荐
资源详情
资源评论
收起资源包目录
NM-sparsity-main.zip (24个子文件)
NM-sparsity-main
language_model
README.md 75B
sr-ste.png 35KB
NM.png 68KB
README.md 5KB
detection
README.md 75B
devkit
core
dist_utils.py 945B
utils.py 3KB
__init__.py 75B
lr_scheduler.py 4KB
__init__.py 0B
sparse_ops
sparse_ops.py 3KB
__init__.py 77B
syncbn_layer.py 4KB
dataset
imagenet_dataset.py 2KB
__init__.py 0B
.gitignore 11B
classification
train_imagenet.py 10KB
train_val.sh 143B
models
__init__.py 22B
resnet.py 5KB
configs
config_resnet50.yaml 496B
config_resnet50_2by4.yaml 584B
config_resnet50_4by8.yaml 584B
README.md 2KB
共 24 条
- 1
资源评论
Airva128
- 粉丝: 22
- 资源: 4670
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功