量化
量化层的权重、偏差和激活,以减少精确缩放的整数数据类型
使用深度学习工具箱™与深度学习工具箱模型量化库金宝app支持包通过量化层的权重、偏差和激活来减少精确缩放的整数数据类型,从而减少深度神经网络的内存占用和计算需求。然后你可以生成C/ c++, CUDA®,或来自这些量化网络的HDL代码。
功能
dlquantizer |
将深度神经网络量化为8位比例整数数据类型 |
dlquantizationOptions |
量化一个训练好的深度神经网络的选项 |
校准 |
模拟和收集深度神经网络的范围 |
验证 |
量化和验证一个深度神经网络 |
应用程序
深度网络量化器 | 将深度神经网络量化为8位比例整数数据类型 |
主题
GPU目标量化
量化深度学习网络的代码生成(GPU编码器)
量化并生成预训练卷积神经网络的代码。
这个例子展示了如何量化具有剩余连接的深度学习神经网络的卷积层中的可学习参数,并已使用CIFAR-10数据进行图像分类训练。
这个例子展示了如何为SSD车辆检测器和YOLO v2车辆检测器生成CUDA®代码,该检测器以8位整数执行推理计算。
FPGA目标的量化
FPGA部署的量化网络(深度学习HDL工具箱)
这个例子展示了如何量化神经网络卷积层中的可学习参数,并验证量化后的网络。
利用量化DAG网络在FPGA上对图像进行分类(深度学习HDL工具箱)
在本例中,您使用Deep Learning HDL Toolbox™部署量化的深度卷积神经网络并对图像进行分类。
利用量化GoogLeNet网络在FPGA上对图像进行分类(深度学习HDL工具箱)
这个例子展示了如何使用深度学习HDL工具箱™来部署一个量化的GoogleNet网络来对图像进行分类。
CPU目标量化
量化深度学习网络的代码生成(MATLAB编码器)
量化并生成预训练卷积神经网络的代码。
树莓派上量化深度学习网络的代码生成(MATLAB编码器)
为深度学习网络生成代码,在8位整数中执行推理计算。