現(xiàn)在大多數(shù)的AI模型，尤其是計(jì)算視覺(jué)領(lǐng)域的AI模型，都是通過(guò)深度神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行構(gòu)建的，從2015年開(kāi)始，學(xué)術(shù)界已經(jīng)開(kāi)始注意到現(xiàn)有的神經(jīng)網(wǎng)絡(luò)模型都是需要較高算力和能好的。并且有大量的研究論文集中于如何將這些AI模型從云上部署到端側(cè)，為AI模型創(chuàng)造更多的應(yīng)用場(chǎng)景和產(chǎn)業(yè)價(jià)值。
課程簡(jiǎn)介
為了解決真實(shí)世界中的問(wèn)題，我們的深度學(xué)習(xí)算法需要巨量的數(shù)據(jù)，同時(shí)也需要機(jī)器擁有處理龐 大數(shù)據(jù) 的能力，在現(xiàn)實(shí)世界中部署神經(jīng)網(wǎng)絡(luò)需要平衡效率和能耗以及成本的關(guān)系。本課程介紹了能耗高效的深度學(xué)習(xí)。
課程目標(biāo)
通過(guò)本課程的學(xué)習(xí)，使學(xué)員了解如下知識(shí)：
1、高效的結(jié)構(gòu)設(shè)計(jì)。
2、用NAS搜索輕量級(jí)網(wǎng)絡(luò)。
3、數(shù)據(jù)高效的模型壓縮。
4、1bit量化。
課程大綱
第1章 能耗高效的深度學(xué)習(xí)的背景
第2章 高效的神經(jīng)元和結(jié)構(gòu)設(shè)計(jì)
第3章 基于NAS的輕量級(jí)神經(jīng)網(wǎng)絡(luò)
第4章 數(shù)據(jù)高效的神經(jīng)網(wǎng)絡(luò)壓縮
第5章 1-bit等價(jià)性研究
