这是pytorch初学者的游乐场，其中包含流行数据集上的预定义模型。 目前我们支持 mnist，svhn cifar10，cifar100 stl10 亚历克斯网 vgg16，vgg16_bn，vgg19，vgg19_bn resnet18，resnet34，resnet50，resnet101，resnet152 squeezenet_v0，squeezenet_v1 inception_v3 这是MNIST数据集的示例。 这将自动下载数据集和预先训练的模型。 import torch from torch.autograd import Variable from utee import selector model_raw, ds_fetcher, is_imagenet = selector.select('mnist') ds_val = ds_fetcher(b

Dorefa网 的pytorch实施 .The代码的灵感来自和 。 要求 python> 3.5 火炬> = 1.1.0 火炬视觉> = 0.4.0 每晚，未来（用于张量板） nvidia-dali> = 0.12（更快的 ） Cifar-10精度 从头开始训练量化模型 模型 W_位 一点点 加速器 网路18 32 32 94.71％ 网路18 4 4 94.36％ 网路18 1个 4 93.87％ ImageNet精度 从头开始训练量化模型 模型 W_位 一点点 前1名 前5 网路18 32 32 69.80％ 89.32％ 网路18 4 4 66.60％ 87.15％ 用法 下载ImageNet数据集并将验证图像移动到带标签的子文件夹中。为此，您可以使用以下 训练模型 python3 cifar_train_eval.py pyt

该函数用于训练用于矢量量化的码本。 首先将数据集拆分为两个集群，然后找到每个集群的均值（质心）。 找到每个向量与这些质心的距离，并且每个向量都与一个集群相关联。 每个簇的向量均值首先替换质心。 如果总距离没有显着提高，则质心每个都分裂为两个。 这种情况一直持续到达到所需的集群数量并且改进不大。

AlexNet上的两步量化 这是的演示。 用法： 将源文件复制到caffe的目录中，然后构建caffe。 下载。 ./build/tools/caffe test -model test_2_ternary.prototxt -weights caffe_2_ternary.caffemodel -iterations 1000 -gpu 0

何凯明2013年再cvpr中发表的文章K-means Hashing: an Affinity-Preserving Quantization Method for Learning Binary Compact Codes 源代码

pytorch-quantization-demo A simple network quantization demo using pytorch from scratch. This is the code for my about network quantization written in Chinese. 感兴趣的读者欢迎关注我的知乎专栏： 以及同名公众号：AI小男孩

支持任意格式图片转换成8位png图片的工具. 适用于安卓游戏等需要减少图片体积的场合.win x86平台命令行工具. 内有readme.txt 介绍用法.

Quantization or roundoff occurs whenever physical quantities are represented numerically. The time displayed by a digital watch, the temperature indicated by a digital thermometer, the distances given on a map etc. are all examples of analog values represented by discrete numbers.

深度哈希 DeepHash是一种轻量级的深度学习哈希库，它实现了最新的深度哈希/量化算法。 我们将根据我们发布的持续实施更具代表性的深度哈希模型。 具体来说，我们欢迎其他研究人员根据我们的框架在该工具包中提供深层哈希模型。 我们将宣布对该项目的贡献。 实施的模型包括： DQN：，曹Yue，龙明生，王建民，韩涵，温庆福，AAAI人工智能大会（AAAI），2016 DHN：，韩涵，龙明生，王建民，曹跃，AAAI人工智能大会（AAAI），2016 DVSQ：，曹悦，龙明胜，王建民，刘诗辰，IEEE计算机视觉与模式识别会议（CVPR），2017 DCH： ，曹悦，龙明生，刘斌，王建民，IEEE计算机视觉与模式识别会议（CVPR），2018 DTQ： ，刘斌，曹岳，龙明生，王建民，王敬东，ACM多媒体（ACMMM），2018 注意：DTQ和DCH已更新，而DQN，DHN，DVSQ可能已

关于均匀量化和浮点量化的最新英文书籍，供通信，自动化，计算机等专业的参考。