Questa è l'app Linux denominata AIMET la cui ultima versione può essere scaricata come 1.28.0.zip. Può essere eseguito online nel provider di hosting gratuito OnWorks per workstation.
Scarica ed esegui online questa app denominata AIMET con OnWorks gratuitamente.
Segui queste istruzioni per eseguire questa app:
- 1. Scaricata questa applicazione sul tuo PC.
- 2. Entra nel nostro file manager https://www.onworks.net/myfiles.php?username=XXXXX con il nome utente che desideri.
- 3. Carica questa applicazione in tale file manager.
- 4. Avviare l'emulatore online OnWorks Linux o Windows online o l'emulatore online MACOS da questo sito Web.
- 5. Dal sistema operativo OnWorks Linux che hai appena avviato, vai al nostro file manager https://www.onworks.net/myfiles.php?username=XXXXX con il nome utente che desideri.
- 6. Scarica l'applicazione, installala ed eseguila.
IMMAGINI
Ad
AIMET
DESCRIZIONE
Il Qualcomm Innovation Center (QuIC) è all'avanguardia nell'abilitare l'inferenza a basso consumo all'edge attraverso la sua pionieristica ricerca sull'efficienza del modello. QuIC ha la missione di aiutare a migrare l'ecosistema verso l'inferenza a virgola fissa. Con questo obiettivo, QuIC presenta AI Model Efficiency Toolkit (AIMET), una libreria che fornisce tecniche avanzate di quantizzazione e compressione per modelli di rete neurale addestrati. AIMET consente alle reti neurali di funzionare in modo più efficiente su acceleratori hardware AI a virgola fissa. L'inferenza quantizzata è significativamente più veloce dell'inferenza in virgola mobile. Ad esempio, i modelli che abbiamo eseguito su Qualcomm® Hexagon™ DSP anziché sulla CPU Qualcomm® Kryo™ hanno portato a una velocità da 5x a 15x. Inoltre, un modello a 8 bit ha anche un footprint di memoria 4 volte inferiore rispetto a un modello a 32 bit. Tuttavia, spesso quando si quantizza un modello di apprendimento automatico (ad esempio, da un valore in virgola mobile a 32 bit a un valore in virgola fissa a 8 bit), l'accuratezza del modello viene sacrificata.
Caratteristiche
- Equalizza i tensori di peso per ridurre la variazione di ampiezza tra i canali
- Tecnica di decomposizione tensoriale per dividere un grande strato in due più piccoli
- Corregge lo spostamento negli output dei livelli introdotto a causa della quantizzazione
- Rimuove i canali di input ridondanti da un livello e ricostruisce i pesi del livello
- Usa la simulazione di quantizzazione per addestrare ulteriormente il modello e migliorare la precisione
- Seleziona automaticamente quanto comprimere ogni strato nel modello
Linguaggio di programmazione
Python
Categorie
Questa è un'applicazione che può anche essere recuperata da https://sourceforge.net/projects/aimet.mirror/. È stato ospitato in OnWorks per poter essere eseguito online nel modo più semplice da uno dei nostri Sistemi Operativi gratuiti.
