江苏龙网

  1. 首页 > 资讯 > 科技 > >

|当随机采样遇见插值，微软亚研提出节省推理计算量的新范式( 三 )


|当随机采样遇见插值，微软亚研提出节省推理计算量的新范式
本文插图

在图像分类问题中与其他的方法进行比较
|当随机采样遇见插值，微软亚研提出节省推理计算量的新范式
本文插图

Table. 4 展示了图像分类中该方法与其他方法的比较 。 总的来说 ， 本文所提出的方法在图像分类中并无显著优势 。 作者猜测 ， 这是因为图像分类专注于获取全局表示（Global Feature Representation） ， 因此仅需保留一部分重要的区域就可以获得良好的性能 ， 重构整个特征图对分类任务并无必要 。 通过将插值模块移除 ， 作者发现性能的确没有显著的变化 ， 也验证了该猜想 。
CPU 上的实际加速
作者还验证了该方法在 CPU 上的实际加速比 。 为了展示在不同硬件条件下的情况 ， 作者使用了 Workstation(E5-2650 v2) 以及 Laptop(I7-6650U) 两种不同的测试环境 ， 结果如 Table. 5 所示 。 可以看到 ， 该方法的实际加速比与理论加速比仍然具有较大的差距 ， 但是在 Laptop 下的加速比要好于 Workstation ， 这也说明该方法也许更适合在低资源情况下应用 ， 如移动端以及边缘计算设备 。
|当随机采样遇见插值，微软亚研提出节省推理计算量的新范式
本文插图

与 Model Pruning 的兼容性
|当随机采样遇见插值，微软亚研提出节省推理计算量的新范式
本文插图

【|当随机采样遇见插值，微软亚研提出节省推理计算量的新范式】本文所提出的方法利用了图像的空间冗余特性 ， 其机制与现有基于模型结构化的加速方法正交 ， 因此两类技术理论上应该相互兼容 ， 作者也对此进行了验证 ， 结果如 Table 6 所示 。 可以看到 ， 本文所提出的方法在不同的 Prune Ratio 上的表现均好于 Baseline ， 证明了该方法与 Model Pruning 技术的兼容性 。


推荐阅读


上一篇：|一文读懂Perpetual协议，它将带来DeFi衍生品的春天？| DeFi新项目

下一篇：|自制「低配版」开源波士顿动力机器狗:53万买不起,有树莓派就够了