ນີ້ແມ່ນແອັບ Linux ທີ່ມີຊື່ວ່າ AIMET ເຊິ່ງລຸ້ນຫຼ້າສຸດສາມາດດາວໂຫຼດໄດ້ເປັນ 1.28.0.zip. ມັນສາມາດດໍາເນີນການອອນໄລນ໌ຢູ່ໃນຜູ້ໃຫ້ບໍລິການໂຮດຕິ້ງຟຣີ OnWorks ສໍາລັບສະຖານີບ່ອນເຮັດວຽກ.
ດາວນ໌ໂຫລດແລະດໍາເນີນການອອນໄລນ໌ app ນີ້ມີຊື່ AIMET ກັບ OnWorks ໄດ້ຟຣີ.
ປະຕິບັດຕາມຄໍາແນະນໍາເຫຼົ່ານີ້ເພື່ອດໍາເນີນການ app ນີ້:
- 1. ດາວໂຫຼດຄໍາຮ້ອງສະຫມັກນີ້ໃນ PC ຂອງທ່ານ.
- 2. ໃສ່ໃນຕົວຈັດການໄຟລ໌ຂອງພວກເຮົາ https://www.onworks.net/myfiles.php?username=XXXXX ດ້ວຍຊື່ຜູ້ໃຊ້ທີ່ທ່ານຕ້ອງການ.
- 3. ອັບໂຫລດແອັບພລິເຄຊັນນີ້ຢູ່ໃນຕົວຈັດການໄຟລ໌ດັ່ງກ່າວ.
- 4. ເລີ່ມ OnWorks Linux ອອນລາຍ ຫຼື Windows online emulator ຫຼື MACOS online emulator ຈາກເວັບໄຊທ໌ນີ້.
- 5. ຈາກ OnWorks Linux OS ທີ່ເຈົ້າຫາກໍ່ເລີ່ມຕົ້ນ, ໄປທີ່ຕົວຈັດການໄຟລ໌ຂອງພວກເຮົາ https://www.onworks.net/myfiles.php?username=XXXXX ດ້ວຍຊື່ຜູ້ໃຊ້ທີ່ທ່ານຕ້ອງການ.
- 6. ດາວນ໌ໂຫລດຄໍາຮ້ອງສະຫມັກ, ຕິດຕັ້ງມັນແລະດໍາເນີນການ.
ໜ້າ ຈໍ
Ad
ເປົ້າໝາຍ
ລາຍລະອຽດ
ສູນນະວັດຕະກໍາ Qualcomm (QuIC) ແມ່ນຢູ່ໃນແຖວຫນ້າຂອງການເຮັດໃຫ້ການຄິດໄລ່ພະລັງງານຕ່ໍາຢູ່ໃນຂອບໂດຍຜ່ານການຄົ້ນຄວ້າແບບຈໍາລອງປະສິດທິພາບການບຸກເບີກຂອງຕົນ. QuIC ມີພາລະກິດທີ່ຈະຊ່ວຍໃຫ້ການເຄື່ອນຍ້າຍລະບົບນິເວດໄປສູ່ inference ຄົງທີ່. ດ້ວຍເປົ້າຫມາຍນີ້, QuIC ນໍາສະເຫນີ AI Model Efficiency Toolkit (AIMET) - ຫ້ອງສະຫມຸດທີ່ສະຫນອງເຕັກນິກການປະລິມານແລະການບີບອັດແບບພິເສດສໍາລັບແບບຈໍາລອງເຄືອຂ່າຍ neural ທີ່ໄດ້ຮັບການຝຶກອົບຮົມ. AIMET ຊ່ວຍໃຫ້ເຄືອຂ່າຍ neural ເຮັດວຽກໄດ້ມີປະສິດທິພາບຫຼາຍຂຶ້ນໃນເຄື່ອງເລັ່ງຮາດແວ AI ແບບຄົງທີ່. Inference quantized ແມ່ນໄວກ່ວາການ inference ຈຸດທີ່ເລື່ອນໄດ້ຢ່າງຫຼວງຫຼາຍ. ຕົວຢ່າງ, ໂມເດວທີ່ພວກເຮົາແລ່ນຢູ່ໃນ Qualcomm® Hexagon™ DSP ແທນທີ່ຈະຢູ່ໃນ CPU Qualcomm® Kryo™ ໄດ້ສົ່ງຜົນໃຫ້ມີຄວາມໄວ 5x ຫາ 15x. ນອກຈາກນັ້ນ, ຮູບແບບ 8-bit ຍັງມີຄວາມຈໍາຂະຫນາດນ້ອຍກວ່າ 4x ທຽບກັບຮູບແບບ 32-bit. ຢ່າງໃດກໍ່ຕາມ, ເລື້ອຍໆເມື່ອຄິດໄລ່ຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (ຕົວຢ່າງ, ຈາກຈຸດລອຍ 32-bit ໄປຫາຄ່າຈຸດຄົງທີ່ 8-bit), ຄວາມຖືກຕ້ອງຂອງຕົວແບບແມ່ນເສຍສະລະ.
ຄຸນລັກສະນະ
- ປັບຕົວ tensors ນ້ຳໜັກໃຫ້ເທົ່າກັນເພື່ອຫຼຸດຜ່ອນການຜັນແປຄວາມກວ້າງຂອງຂວາງໃນທົ່ວຊ່ອງທາງ
- ເຕັກນິກການເສື່ອມຕົວຂອງ tensor ເພື່ອແຍກຊັ້ນໃຫຍ່ອອກເປັນສອງຊັ້ນນ້ອຍກວ່າ
- ແກ້ໄຂການປ່ຽນແປງໃນຊັ້ນຜະລິດຕະພັນທີ່ນໍາສະເຫນີເນື່ອງຈາກການຈໍານວນ
- ເອົາຊ່ອງປ້ອນຂໍ້ມູນຊ້ຳຊ້ອນອອກຈາກຊັ້ນຂໍ້ມູນ ແລະສ້າງນ້ຳໜັກຊັ້ນຄືນໃໝ່
- ໃຊ້ quantization sim ເພື່ອຝຶກອົບຮົມຕົວແບບຕື່ມອີກເພື່ອປັບປຸງຄວາມຖືກຕ້ອງ
- ເລືອກອັດຕະໂນມັດຫຼາຍປານໃດເພື່ອບີບອັດແຕ່ລະຊັ້ນໃນຕົວແບບ
ພາສາການຂຽນໂປຣແກຣມ
Python
ປະເພດ
ນີ້ແມ່ນແອັບພລິເຄຊັນທີ່ຍັງສາມາດເອົາມາຈາກ https://sourceforge.net/projects/aimet.mirror/. ມັນໄດ້ຖືກຈັດຢູ່ໃນ OnWorks ເພື່ອໃຫ້ດໍາເນີນການອອນໄລນ໌ດ້ວຍວິທີທີ່ງ່າຍທີ່ສຸດຈາກຫນຶ່ງໃນລະບົບປະຕິບັດງານຟຣີຂອງພວກເຮົາ.
