model-compression

Backbones IA efficaces incluant GhostNet, TNT et MLP, développés par le laboratoire Noah's Ark de Huawei.

Awesome Knowledge Distillation

[CVPR 2023] DepGraph : Vers un élagage structurel universel ; LLM, modèles de vision fondamentaux, etc.

Modèle de langage pré-entraîné et ses techniques d'optimisation associées développés par le Huawei Noah's Ark Lab.

Une liste organisée de ressources sur l'élagage des réseaux de neurones.

Une liste d'articles, de documents et de codes sur la quantification de modèles. Ce dépôt vise à fournir des informations pour la recherche sur la quantification de modèles et est continuellement amélioré. Les contributions (articles, dépôts) manquantes sont les bienvenues.

micronet, une bibliothèque de compression et de déploiement de modèles. Compression : 1. Quantification (QAT, High-Bit, Low-Bit/Ternary/Binary, PTQ 8-bit) ; 2. Élagage (normal, régulier, élagage de canaux de convolution de groupe) ; 3. Groupe.

Boîte à outils pour optimiser les modèles ML pour le déploiement avec Keras et TensorFlow, incluant la quantification et l'élagage.

Méthodes de calcul efficaces développées par le Huawei Noah's Ark Lab

Élagage de canaux pour l'accélération de réseaux de neurones très profonds (ICCV'17)

[CVPR 2024] DeepCache : Accélération gratuite des modèles de diffusion

Collection de méthodes récentes sur la compression et l'accélération des réseaux de neurones (profonds).

TinyNeuralNetwork est un framework de compression de modèles d'apprentissage profond efficace et facile à utiliser.

Liste d'articles liés à la quantification des réseaux de neurones dans les conférences et journaux d'IA récents.

[ICML 2024] SqueezeLLM : Quantification dense et éparse

Liste de ressources sur la compression de modèles de machine learning, incluant articles de recherche, quantification, outils et matériel pédagogique.