开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

低三重态损耗精度CIFAR10

是一个涉及到计算机视觉和深度学习的问题。

低三重态损耗精度（Low triplet loss accuracy）是指在使用三重损失（triplet loss）进行图像识别或者图像检索任务时，模型的准确率不高的问题。

CIFAR10是一个经典的计算机视觉数据集，包含了10个不同的物体类别，每个类别有6000张32x32大小的彩色图片。这个数据集被广泛用于测试和评估计算机视觉模型的性能。

三重损失是一种用于训练图像检索模型的损失函数，它通过对比一组图像样本之间的相似度来学习特征表示。在训练过程中，模型会通过最小化同一类别图像之间的欧氏距离和最大化不同类别图像之间的欧氏距离来学习具有良好区分性的特征表示。

低三重态损耗精度CIFAR10的原因可能是由于以下因素导致的：

数据集大小：CIFAR10数据集相对较小，训练样本数量有限，可能导致模型的泛化能力不足。
特征表示学习：三重损失需要学习良好的特征表示，但CIFAR10数据集中的图像比较小且分辨率较低，可能难以提取到更丰富的图像特征。
模型复杂度：使用的模型可能不够复杂或者参数不够充分，导致无法很好地拟合数据集。
数据预处理：对于CIFAR10数据集，合适的数据增强和预处理方法非常重要，可能需要对图像进行增强、归一化等操作。

为了提高低三重态损耗精度CIFAR10的问题，可以尝试以下方法：

数据增强：使用数据增强技术，如随机裁剪、翻转、旋转等，扩大训练数据集，增加数据的多样性和泛化能力。
模型选择：考虑使用更复杂的深度学习模型，如ResNet、Inception等，以提取更具有区分性的特征表示。
参数调优：通过调整模型的超参数，如学习率、优化算法、正则化项等，来优化模型的性能。
损失函数：尝试其他损失函数或改进的三重损失函数，如Hard Negative Mining、Batch Hard Mining等，以提升模型的训练效果。
迁移学习：考虑使用预训练的模型，在CIFAR10数据集上进行微调，以利用更强的图像特征表示能力。
网络结构优化：尝试设计和优化特定于CIFAR10数据集的网络结构，以提高模型性能。

腾讯云相关产品和产品介绍链接地址：

腾讯云机器学习平台（https://cloud.tencent.com/product/mls）
腾讯云数据增强服务（https://cloud.tencent.com/product/tvia）
腾讯云图像处理服务（https://cloud.tencent.com/product/ima）
腾讯云深度学习平台（https://cloud.tencent.com/product/tf）
腾讯云计算机视觉服务（https://cloud.tencent.com/product/cvs）

相关搜索:低损耗和非常非常低的精度计算Tensorflow CIFAR10多GPU上的损耗 DNN精度低 FFmpeg低切边精度 Tensorflow模型精度低深度CNN的低精度非常低的损失和低精度是否表示过拟合？Tensorflow Dropout实现，测试精度=训练精度和低，为什么？部署CNN:高训练和测试精度但低预测精度 keras CNN具有低而恒定的精度 tensorflow mnist神经网络模型精度低 cifar10数据集的Resnet50 (不含网络权重)-提高精度 Boost的multiprecision模拟低精度的快速浮点数第一次折叠的K折叠精度低在使用Theano的简单CNN中，训练精度非常低用于cifar 10的低精度自动编码器 Tensorflow官方MNIST模型训练精度高但预测性能低使用虚拟数据集测试英特尔低精度优化工具与flow_from_directory()相比，Keras的ImageDataGenerator.flow()导致非常低的训练/验证精度 RF:一个级别的OOB精度高,另一个级别的精度非常低,具有大的不平衡性

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

单-三态gap计算中的常见问题

单-三态能量差，简称S-T gap，是很多人在计算中都会碰到的一个物理量。然而这个符号在不同场合下的具体含义不同，因此新手们经常对计算步骤感到困惑，例如是否应该对单重态和三重态分别做结构优化、该取电子能量还是Gibbs自由能进行比较等等。本文就梳理一下这里面涉及到的常见问题。笔者不是专门做应用型计算的，若有错误或重要概念遗漏，欢迎留言。

01

激发态计算入门

一个分子可以有很多的电子态，其中能量最低的称为基态（ground state），其他的态称为激发态（excited state）。通常分子通过吸收光子从基态跃迁至激发态。一般分子的基态是单重态，记为S0，部分分子的基态为三重态，记为T0。常常用Sn和Tn表示单重态和三重态第n激发态，如T1称为三重态第一激发态。每个电子态都有各自的势能面，示意图如下：

03

MECP (Minimum Energy Crossing Point) 简介

自旋交叉(Spin Crossover, SCO)在材料、催化等领域中有着十分广泛的应用，早在中学时我们就知道配位化合物存在高自旋(high spin, HS)及低自旋(low spin, LS)两种自旋态(spin state)，实际有时还会遇到intermediate spin (IS)。对于经典的八面体配位化合物，最稳定的自旋态通常由配位场强度Δ决定。

03

MECP (Minimum Energy Crossing Point) 简介(2)

实际上，我们已经知道了MECP的定义有两个要求，也就是首先要是CP，其次要ME，所以我们一个一个实现就可以了。

03

Gaussian中闭壳层和开壳层之间轨道读取问题

在《广义价键计算及初始轨道的构造》一文中我们曾提到在用Gaussian得到UHF自然轨道后，对应的fchk文件中会存在两组轨道。但实际上UNO只是一组轨道，这时候用来做后续的局域化和GVB计算会存在一些问题。本文来谈谈类似的一个问题——Gaussian中闭壳层和开壳层之间轨道的读取问题。文中所有的计算使用Gaussian 16 C.01完成。

05

隐藏在教室里的“绝世高手”，直到毕业都没有发现？

物质吸收辐射能产生的激发态电子回迁至基态时所产生的发光现象称为光致发光，常见的光致发光分为荧光和磷光。

05

Spin-flip方法中RODFT难收敛解决办法

最常见的Spin-flip方法为SF-CIS和SF-TDDFT，它们一般以高自旋三重态为参考态波函数，将一个alpha电子翻转为beta电子，产生满足<

01

MECP简介(4)——Application - When do we need MECP?

MECP作为不同自旋态的交叉点，自然是在涉及自旋交叉的反应中有着广泛的应用。这里不做展开讨论，只取一个较为经典的，N2在Mo(II)CpCl(PH3)2上配位的例子进行讨论。

02

北京师范大学杨清正/崔刚龙Angew：只产生超氧自由基的基于BODIPY的光动力治疗光敏剂

开发I型光敏剂被认为是一种可以克服传统光动力治疗(PDT)对乏氧肿瘤治疗效果不佳的有效方法。然而，如何设计可通过I型机理产生ROS的光敏剂仍然是一个很大的研究挑战。在此，北京师范大学杨清正教授和崔刚龙教授报道了一系列α,β连接的BODIPY二聚体和三聚体，它在光辐照时只会产生超氧化物自由基(O2−•)。

02

Amesp中激发态以及旋轨耦合的计算

在Amesp中，计算激发态的方法主要包括CIS、TDHF、TDDFT以及TDA，并支持R、U和RO三种形式。使用CIS以及TDHF的时候，直接在关键词部分写上它们即可，比如：

02

MECP简介(5)——Theory - What can we do beyond MECP?

以环丁二烯的异构化为例，按照前线轨道理论，这一反应也是对称性禁阻的，原因是反应前后的HOMO对称性并不相同。

03

用ORCA计算旋轨耦合矩阵元

旋轨耦合的理论涉及相对论量子力学，此处仅以定性的形式粗略介绍相关背景。相对论效应是指进行电子结构计算时Dirac方程与Schrödinger方程这两个理论模型之间的差别。Dirac于1928年建立了电子运动的相对论方程——Dirac方程，但是Dirac本人却认为在化学问题中，价电子受内层电子的屏蔽，其运动速度比光速小很多，相对论效应很小。但在后来的研究中，人们逐渐认识到相对论效应的重要性。自旋-轨道耦合（spin-orbit coupling, SOC），简称旋轨耦合，是一种相对论效应，指电子的自旋和轨道运动之间的相互作用。在非相对论量子力学中，自旋态改变的跃迁是禁阻的；当考虑旋轨耦合时，这样的过程才能发生，比如系间窜越（intersystem crossing, ISC）、磷光发射等过程。在《用高斯计算磷光发射能》一文中我们提到，用TD-DFT直接计算T1和S0之间的跃迁，得到的振子强度始终为0，只有当考虑旋轨耦合后，振子强度才不为0。

03

《量子化学软件基础》习题（3）

1. 构造一个三重态双自由基分子，使用UHF对该双自由基分子进行结构优化。通过自旋布局(Spin Population)确定两个单占轨道(singly occupied molecular orbitals, SOMOs) 所在的原子。使用Broken Symmetry方法计算该双自由基的“开壳层单重态”。

01

二氢卡宾单重态和三重态稳定性的比较

当然，教材上的图是重绘的，原图来自J. Am. Chem. Soc. 1996, 118, 9908-9914。本文就试着重复该图，并将关于自旋极化单重态的计算相关的内容再梳理一遍，因为发现不少小伙伴对这部分内容理解得还不是很深刻。

02

曹原25岁，今天第8篇Nature

丰色梦晨发自凹非寺量子位报道 | 公众号 QbitAI 曹原，又发Nature了！你没听错，就是那个石墨烯大神曹原，刚刚发表了人生中第8篇Nature。依旧是“一作+通讯作者”的强势姿态：这次距他上一篇Science只过了3个月。这位论文大户至今总共发了8篇Nature+1篇Science。其中仅2021年上半年就密集发布了4篇。被称为“石墨烯驾驭者”也不奇怪了。那么这一次，石墨烯研究为何又能中顶刊？原来，曹原团队发现按魔角(1.56度)扭曲的三层石墨烯，在超强磁场下仍能保持超导

03

MECP简介(3)——实例分享

O3的基态是单重态（事实上是一个单重态双自由基），三重态略高于单重态（约20 kcal/mol），键长键角都略有不同。

03

《量子化学软件基础》习题（5）——BDF和ORCA中的CASSCF计算

题目：对配合物[Fe(H2O)6]2+在CASSCF(6,5)/def2-SVP水平计算能量最低的单态、三态、五重态能量。要求使用态平均的(state averaged) CASSCF，活性空间需要包含Fe的3d电子和3d轨道。 [Fe(H2O)6]2+结构选自文献J. Chem. Theory Comput.,16, 2224. (2020)，见附录。

01

用GAMESS中的Spin-flip TD-DFT找S0/S1交叉点

寻找势能面交叉点是激发态的研究中经常遇到的问题。不同自旋多重度的势能面交叉点相关的介绍可以参考本公众号之前所发关于MECP系列文章。自旋多重度相同的势能面的交叉点常称为圆锥交叉（conical intersection, CI），我们也曾介绍过如何用CASSCF方法寻找CI点。然而CASSCF方法涉及活性空间的选择等问题，在使用上不是特别方便，对稍大一些的体系，其计算量往往也难以承受。TD-DFT是当前激发态计算中最常用的方法，不少程序支持使用TD-DFT来寻找CI点，如GAMESS、ORCA等。然而，对于S0和S1势能面的交叉点，则需要特别注意。虽然上述两个程序的TD-DFT都支持寻找S0/S1交叉点，而且碰巧的是，这两个程序官方给出的算例都是寻找S0/S1交叉点，但实际上TD-DFT在描述参考态（S0）与激发态的交叉点时是有缺陷的，原理上无法描述S0/Sn交叉点。这点在ORCA 5.0.2版的手册8.3.12节中已经指出，也有不少文献中提及此点，如J. Phys. Chem. A, 2009, 113, 12749.等文章。

02

谈谈Gaussian软件中的guess=mix

笔者经常碰到小伙伴在用Gaussian软件计算涉及自由基的反应时，不清楚何时该加关键词guess=mix，何时不该加；也可能会有师兄/老师这样告诉新手：碰到自由基一律用guess(mix,always)。前者可能量化基础不扎实，碰到这类问题不懂；后者则可能缺乏实际计算经验。趁假期有空，正好写上一篇，详细解释一下。当然，笔者写的绝对不是标准答案，只能力求合理性和正确性，仅供对这个问题不清楚的小伙伴们参考。

04

【翻译】HyNet: Learning Local Descriptor with Hybrid Similarity Measure and Triplet Loss

最近的研究表明，局部描述符学习得益于L2归一化的使用，然而，文献中缺乏对这种效应的深入分析。在本文中，我们研究了L2归一化如何影响训练期间的反向传播描述符梯度。根据我们的观察，我们提出了一个新的局部描述符HyNet，它可以在匹配方面带来最先进的结果。HyNet引入了一种混合相似性度量，用于度量三态边际损失，一个正则化项约束描述符范数，以及一种新的网络体系结构，该体系结构对所有中间特征映射和输出描述符执行L2正则化。在包括补丁匹配、验证和检索在内的标准基准上，HyNet大大超过了以前的方法，并且在3D重建任务上优于完整的端到端方法。代码和模型可在https://github.com/yuruntian/HyNet上找到。

02

Explainable AI (XAI) 不能解释什么,以及我们如何解决这个问题

神经网络准确但不可解释，决策树是可解释的，但在计算机视觉中是不准确的。对于这种问题，我们在本文有一个解决办法。

02

微软又一开源力作！瞬间修复老旧照片！！！

岁月流逝带走了时光却带不走回忆，从 1839 年法国画家达盖尔将 “摄影术” 带到世人面前，世界上就多了一种使用影像记录回忆的方式。那些我们想要留在心底或未曾经历过的从前，都可以通过翻看老照片找回来。

02

度量学习：使用多类N对损失改进深度度量学习

度量学习是ReID任务中常用的方式之一，今天来看下一篇关于如何改进度量学习的论文。来自2016年NeurIPS上的一篇论文，被引用超过900次。

02

使用度量学习进行特征嵌入：交叉熵和监督对比损失的效果对比

分类是机器学习中最简单，最常见的任务之一。例如，在计算机视觉中，您希望能够微调普通卷积神经网络（CNN）的最后一层，以将样本正确分类为某些类别（类）。但是，有几种根本不同的方法可以实现这一目标。

02

开源: CVPR 2020 修复你的老照片

「Code」: github.com/microsoft/Bringing-Old-Photos-Back-to-Life

02

CVPR 2019 | PointConv：在点云上高效实现卷积操作

在机器人、自动驾驶和虚拟/增强现实应用中，直接获取 3D 数据的传感器日趋普遍。由于深度信息可以消除 2D 图像中的大量分割不确定性（segmentation ambiguity），并提供重要的几何信息，因此具备直接处理 3D 数据的能力在这些应用中非常宝贵。但 3D 数据通常以点云的形式出现。点云通常由一组无排列顺序的 3D 点表示，每个点上具有或不具有附加特征（例如 RGB 信息）。由于点云的无序特性，并且其排列方式不同于 2D 图像中的常规网格状像素点，传统的 CNN 很难处理这种无序输入。

01

80.97%@Plain，重参数思想再续新篇章RepNAS=Re-parameterization+NAS

arXiv：https://arxiv.org/pdf/2109.03508.pdf

03

SemSegMap ：基于3D点云语义信息的定位

文章：SemSegMap - 3D Segment-Based Semantic Localization

05

深度学习+度量学习的综述

如今，机器学习的应用广泛，包括人脸识别、医疗诊断等，为复杂问题和大量数据提供解决方案。机器学习算法能基于数据产生成功的分类模型，但每个数据都有其问题，需定义区别特征进行正确分类。常用的机器学习算法包括k最近邻、支持向量机和朴素贝叶斯分类器，但需注意特征加权和数据转换。

01

ICCV 2019 | 四小时搜索NN结构，厦大提出快速NAS检索方法

近年来，通过神经架构搜索（NAS）算法生成的架构在各种计算机视觉任务中获得了极强的的性能。然而，现有的 NAS 算法需要再上百个 GPU 上运行 30 多天。在本文中，我们提出了一种基于多项式分布估计快速 NAS 算法，它将搜索空间视为一个多项式分布，我们可以通过采样-分布估计来优化该分布，从而将 NAS 可以转换为分布估计/学习。

02

深度学习算法优化系列十 | 二值神经网络(Binary Neural Network，BNN)

昨天介绍的BinaryConnect提出将浮点权重量化到1bit，提出了完整的量化权重训练/测试流程，并且从带噪声权重的角度来解释了量化权重。但这种方法还有一个缺点，即并没有对激活函数进行量化，所以Bengio大神在2016年发表了这篇Binary Neural Network，论文原文和代码链接见附录。

02

独家 | SVP：一种用于深度学习的高效数据选择方法

在许多任务中我们会用可获得的海量数据来训练深度网络，那么在实际训练中我们怎样可以快速确定应该使用哪些数据呢？像主动学习(active learning)和核心集选择(core-set selection)之类的数据选择方法是确定训练数据的强大手段，但是这些方法计算花销大且难以大规模使用。

01

SC2105单节锂离子/锂聚合物电池保护复合IC

SC2105单节锂离子/锂聚合物电池保护复合IC，SC2105是一种复合式高精度单节锂离子/锂聚合物电池保护IC。SC2105其在传统电池保护电路基础上将开关MOSFET集成到IC内部；SC2105它具有过充电压及流的保护、过放电压及流的保护、热短路过放电压及流的保护、热短路过放电压及流的保护、热短路保护、电芯反接保护和充电器反接保护等功能，并且工作时功耗非常低。二、SC2105特性（重要参数） 2.1 内置低阻抗的 MOSFE T（等效 58 mΩ RDS(ON) ）； 2.2 高精度电压检测：过充电压检测精度：土 50 mV ；过放电压检测精度：土 50 mV ； 2.3 三重过电流检测保护: 过放电流1, 过放电流2和负载短路检测电流； 2.4 内置延迟电路，延迟时间由内置电路产生，无需外接电容； 2.5 低电流损耗，工作模式：**值 4.0μA；休眠模式：**值 0.1μA； 2.6 电芯反接保护更安全； 2.7 SC2105应用极为简单：外围仅需连接1颗电容； 2.8 过温度保护功能； 2.9 充电器检测功能； 2.10 短路保护功能； 2.11 2.11 充电器反接保护功能； 2.12 SOT23 2.12 SOT23 -6封装，符合欧洲封装，符合欧洲

00

深度不一定更好:12层ParNet 并行非深度网络架构实现了与目前SOTA模型相似的性能

虽然人们普遍认为网络深度是当今深度学习 (DL) 模型高性能的原因，但增加深度也会带来诸如延迟增加和计算负担增加等缺点，这可能会阻碍 DL 的进展。如果没有深度网络，是否有可能实现类似的高性能？

01

加利福尼亚大学（尔湾）等提出 Nasty Teacher，避免模型“被蒸馏”，加强知识产权保护（ICLR 2021）

本文分享ICLR 2021论文『Undistillable: Making A Nasty Teacher That CANNOT teach students』，提出一种防止模型被蒸馏窃取的Nasty Teacher，为知识产权的保护提供了一种新思路。

02

网络搜索之DARTS, GDAS, DenseNAS, P-DARTS, PC-DARTS

由于笔者不懂RL 也不懂进化算法，谷歌那套是follow不了，故看的都是 gradient based 的方法，先总结下几篇文章的相关工作：

04

用高斯计算磷光发射能

磷光的产生原理同样可用以下Jablonski能级图来描述。分子吸收电磁辐射后处于激发态，若S1的振动能级与T1的振动能级重叠，则可能发生系间窜跃（intersystem crossing, ISC），从S1态进入T1态。这是一个自旋禁阻的过程，之所以能发生，是因为存在自旋−轨道耦合（spin-orbital coupling, SOC），轨道运动产生的磁场对电子自旋施加一个扭矩而使自旋反转。从T1态再以发光方式跃迁至S0，自旋再次反转，这种发光便为磷光。

05

Only Train Once：微软、浙大等研究者提出剪枝框架OTO，无需微调即可获得轻量级架构

机器之心报道作者：Hecate He 来自微软、浙江大学等机构的研究者提出了一种 one-shot DNN 剪枝框架，无需微调即可从大型神经网络中得到轻量级架构，在保持模型高性能的同时还能显著降低所需算力。大型神经网络学习速度很快，性能也往往优于其他较小的模型，但它们对资源的巨大需求限制了其在现实世界的部署。剪枝是最常见的 DNN 压缩方法之一，旨在减少冗余结构，给 DNN 模型瘦身的同时提高其可解释性。然而，现有的剪枝方法通常是启发式的，而且只针对特定任务，还非常耗时，泛化能力也很差。在一篇标题为

02

卷积神经网络学习路线（十八） | Google CVPR 2018 MobileNet V2

紧接着上篇的MobileNet V1，Google在2018年的CVPR顶会上发表了MobileNetV2，论文全称为《MobileNetV2: Inverted Residuals and Linear Bottlenecks》，原文地址见附录。

01

深度学习算法优化系列十五 | OpenVINO Int8量化前的数据集转换和精度检查工具文档

可以看到在用Calibaration Tool进行Int8量化之前需要先解决如何将我们的原始数据集转为Annotations文件以及我们如何用精度检查工具(Accuracy Checker Tool)去评估我们的量化后模型的表现。其中将原始数据集转换为Annotations文件的时候用命令是比较方便，如果懒得写配置文件的话。而要使用精度检查工具，则必须写配置文件了，具体见本文后面的详细介绍。

01

Caffe学习笔记(一)：CIFRA-10在Caffe上进行训练学习

07

【权威算法榜】斯坦福DAWNBench基准排序端到端深度学习模型

AI模型突飞猛进，到底模型好不好用，为了搞清楚这个问题，斯坦福大学发起了DAWNBench项目，针对测试端到端深度学习模型，在达到预期精度的前提下，对所用的训练时间和成本进行排序。目前是国际上较为权威的测试工具之一。

02

南京大学提出量化特征蒸馏方法QFD | 完美结合量化与蒸馏，让AI落地更进一步！！！

本文首发于【集智书童】，白名单账号转载请自觉植入本公众号名片并注明来源，非白名单账号请先申请权限，违者必究。

03

决策树的复兴？结合神经网络，提升ImageNet分类准确率且可解释

随着深度学习在金融、医疗等领域的不断落地，模型的可解释性成了一个非常大的痛点，因为这些领域需要的是预测准确而且可以解释其行为的模型。然而，深度神经网络缺乏可解释性也是出了名的，这就带来了一种矛盾。可解释性人工智能（XAI）试图平衡模型准确率与可解释性之间的矛盾，但 XAI 在说明决策原因时并没有直接解释模型本身。

01

片段组合波函数实例1.双原子分子

使用片段组合波函数作为SCF初猜是一种略为高级的计算技巧。笔者刚入门量子化学一两年时知道这个技巧时是有点震惊的：常规HF/DFT计算并不总是一个黑箱（black box），不是交个任务看到normal termination就完事了。特殊情况下需要计算者拥有一定的量子化学基本知识，并将其用于指定合适的SCF初猜，仔细分析计算结果。后来键解离和过渡金属算多了之后，笔者对这些情况就习以为常了。

01

为什么要用3x3卷积？偶数卷积核其实表现更强 | NeurIPS 2019

当前紧凑的卷积神经网络主要通道深度可分离卷积，扩张通道和复杂的拓扑结构来提高效率，但这也反过来加重了训练过程。此外，在这些模型中3*3卷积核占主要地位，而偶数大小的卷积核(2*2,4*4)很少被采用。

03

第一激发三重态的几何结构优化

在单三态能量差ΔEST以及磷光的计算中都会涉及第一激发三重态T1的几何结构优化。本文单独谈一下T1的结构优化。T1的结构优化常用以下两种方式：（1）将自旋多重度设为3，使用UDFT（非限制性DFT）来优化；（2）使用TD-DFT来优化，使用TD(triplet)关键词。以下我们通过两个例子来对比两种方法的优化结果。

03

深度并非一切：普林斯顿、英特尔提出ParNet，速度和准确性显著优于ResNet

深度是深度神经网络的关键，但更多的深度意味着更多的序列计算和更多的延迟。这就引出了一个问题——是否有可能构建高性能的「非深度」神经网络？

02

神经网络架构搜索——可微分搜索（Latency-DARTS）

可微分的神经架构搜索方法在自动机器学习中盛行，主要是由于其搜索成本低，设计搜索空间灵活。然而，这些方法在优化网络方面存在困难，因此搜索到的网络往往对硬件不友好。本文针对这一问题，在优化中加入可微分的时延损失项，使搜索过程可以在精度和时延之间进行平衡系数的权衡。延迟预测模块（LPM）是对每个网络架构进行编码，并将其输入到一个多层回归器中，通过随机抽样收集训练数据，并在硬件上对其进行评估。本文在NVIDIA Tesla-P100 GPU上评估了该方法。在100K采样架构（需要几个小时）的情况下，延迟预测模块的相对误差低于10%。嵌入延迟预测模块，搜索方法可以减少20%的延迟，同时保留了精度。本文的方法还能简洁的移植到广泛的硬件平台上，或用于优化其他不可微的因素，如功耗。

02

神经网络架构搜索——二值可微分搜索（BATS）

本文提出了二进制架构搜索(BATS)，这是一个通过神经架构搜索(NAS)大幅缩小二进制神经网络与其实值对应的精度差距的框架。实验表明，直接将NAS 应用于二进制领域的结果非常糟糕。为了缓解这种情况，本文描述了将 NAS 成功应用于二进制领域的 3 个关键要素：

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭