Reducing Memory Requirements of Convolutional Neural Networks for Inference at the Edge
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F21%3APU140667" target="_blank" >RIV/00216305:26220/21:PU140667 - isvavai.cz</a>
Výsledek na webu
<a href="https://ieeexplore.ieee.org/document/9420214" target="_blank" >https://ieeexplore.ieee.org/document/9420214</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/RADIOELEKTRONIKA52220.2021.9420214" target="_blank" >10.1109/RADIOELEKTRONIKA52220.2021.9420214</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Reducing Memory Requirements of Convolutional Neural Networks for Inference at the Edge
Popis výsledku v původním jazyce
The main focus of this paper is to use post training quantization to analyse the influence of using lower precision data types in neural networks, while avoiding the process of retraining the networks in question. The main idea is to enable usage of high accuracy neural networks in devices other than high performance servers or super computers and bring the neural network compute closer to the device collecting the data. There are two main issues with using neural networks on edge devices, the memory constraint and the computational performance. Both of these issues could be diminished if the usage of lower precision data types does not considerably reduce the accuracy of the networks in question.
Název v anglickém jazyce
Reducing Memory Requirements of Convolutional Neural Networks for Inference at the Edge
Popis výsledku anglicky
The main focus of this paper is to use post training quantization to analyse the influence of using lower precision data types in neural networks, while avoiding the process of retraining the networks in question. The main idea is to enable usage of high accuracy neural networks in devices other than high performance servers or super computers and bring the neural network compute closer to the device collecting the data. There are two main issues with using neural networks on edge devices, the memory constraint and the computational performance. Both of these issues could be diminished if the usage of lower precision data types does not considerably reduce the accuracy of the networks in question.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20202 - Communication engineering and systems
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
International Conference Radioelektronika 2021
ISBN
978-0-7381-4436-8
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
1-6
Název nakladatele
Vysoké učení technické v Brně
Místo vydání
Brno
Místo konání akce
Brno
Datum konání akce
19. 4. 2021
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000676146400023