Online Multi-Granularity Distillation for GAN Compression |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-08-18 15:35 Генеративно-состязательные сети (GAN) обременительно развертывать на устройствах с ограниченными ресурсами из-за больших вычислительных затрат и огромного использования памяти. Несмотря на то, что недавние попытки сжатия GAN принесли замечательные результаты, они все еще имеют потенциальную избыточность моделей и могут быть сжаты в дальнейшем. Чтобы решить эту проблему, ребята из ByteDance предложили новую онлайн-схему мульти-гранулярной дистилляции (OMGD) для получения облегченных GAN, которая способствует созданию изображений с высокой точностью и низкими вычислительными требованиями. Экспериментальные результаты на четырех наборах тестовых данных демонстрируют, что OMGD достигает 40-кратного уменьшения вычислительной сложности в операциях умножения-накопления и 82,5 кратного уменьшения числа параметров на Pix2Pix и CycleGAN без потери качества изображения. Он показывает, что OMGD предоставляет реальное решение для развертывания перевода изображений в реальном времени на устройствах с ограниченными ресурсами. Ссылка на статью: https://arxiv.org/pdf/2108.06908v1.pdf Ссылка на GitHub репозиторий: https://github.com/bytedance/omgd Источник: github.com Комментарии: |
|