基于pytorch的模型剪枝+模型量化+BN合并+TRT部署(cifar数据)
Posted 踟蹰横渡口,彳亍上滩舟。
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于pytorch的模型剪枝+模型量化+BN合并+TRT部署(cifar数据)相关的知识,希望对你有一定的参考价值。
1)量化:High-Bit(>2b): QAT, PTQ, QAFT; Low-Bit(≤2b)/Ternary and Binary: QAT
2)剪枝:正常、规整和分组卷积结构剪枝
3)针对特征(A)二值量化的BN融合(训练量化后,BN参数 —> conv的偏置b)
4)High-Bit量化的BN融合(训练量化中,先融合再量化,融合:BN参数 —> conv的权重w和偏置b)
对比实验如下,相关代码下载地址:下载地址
类型 | W(Bits) | A(Bits) | Acc | GFLOPs | Para(M) | Size(MB) | 压缩率 | 损失 |
---|---|---|---|---|---|---|---|---|
原模型(nin) | FP32 | FP32 | 91.01% | 0.15 | 0.67 | 2.68 | *** | *** |
采用分组卷积 |
以上是关于基于pytorch的模型剪枝+模型量化+BN合并+TRT部署(cifar数据)的主要内容,如果未能解决你的问题,请参考以下文章
基于pytorch的模型剪枝+模型量化+BN合并+TRT部署(cifar数据)
基于pytorch的模型剪枝+模型量化+BN合并+TRT部署(cifar数据)