你是否发现在移动设备和物联网设备上部署神经网络很困难?你有没有发现训练神经网络太慢了?本课程深入探讨有效的机器学习技术，在资源受限的设备上实现强大的深度学习应用。主题涵盖了有效的推理技术，包括模型压缩、修剪、量化、神经结构搜索和蒸馏;高效的训练技术，包括梯度压缩和设备上迁移学习;其次是针对视频、点云和NLP的特定应用模型优化技术;以及高效的量子机器学习。通过一个与移动AI相关的开放式设计项目，学生将获得在微控制器、手机和量子机器上实现深度学习应用的实际经验。
成为VIP会员查看完整内容
Lecture 1: Introduction
Lecture 2: Basics of Deep Learning
Lecture 3: Pruning and Sparsity (Part I)
Lecture 4: Pruning and Sparsity (Part II)
Lecture 5: Quantization (Part I)
Lecture 6: Quantization (Part II)
Lecture 7: Neural Architecture Search (Part I)
Lecture 8: Neural Architecture Search (Part II)
Lecture 9: Neural Architecture Search (Part III)
Lecture 10: Knowledge Distillation
Lecture 11: MCUNet - Tiny Neural Network Design for Microcontrollers
Lecture 13: Distributed Training and Gradient Compression (Part I)
Lecture 14: Distributed Training and Gradient Compression (Part II)
相关内容
Colab NAS: Obtaining lightweight task-specific convolutional neural networks following Occam's razor
Arxiv
0+阅读 · 2022年12月15日
Arxiv
0+阅读 · 2022年12月14日
Arxiv
0+阅读 · 2022年12月14日
Arxiv
0+阅读 · 2022年12月14日
相关VIP内容
相关资讯
微信扫码咨询专知VIP会员