Logo
Project Icon

BitNetMCU

低比特量化神经网络在微控制器上的高精度实现

BitNetMCU量化神经网络微控制器MNIST数据集模型训练Github开源项目

BitNetMCU项目致力于在低端微控制器上实现高精度的低比特量化神经网络。通过优化训练和推理过程，该项目在仅2KB RAM和16KB Flash的CH32V003等微控制器上，实现了16x16 MNIST数据集超过99%的测试准确率，无需使用乘法指令。项目提供基于PyTorch的训练流程和ANSI-C实现的推理引擎，便于在不同微控制器上应用。

访问官网访问官网GithubGithub文档文档论文论文
介绍相关项目
MNN - 高效轻量的深度学习框架，支持多设备推理和训练
GithubMNN开源项目推理引擎深度学习框架轻量级高性能
MNN是一个高效轻量的深度学习框架，支持设备上的推理和训练。已被阿里巴巴30多个应用集成，覆盖直播、短视频、搜索推荐等70多种场景。MNN适用于嵌入式设备，支持TensorFlow、Caffe、ONNX等多种模型格式，并优化了ARM和x64 CPU及多种GPU的计算性能。通过MNN Workbench，用户可以下载预训练模型、进行可视化训练并一键部署到设备上。
low-bit-optimizers - 4位优化器技术减少内存占用 提升大规模模型训练能力
4位优化器AdamWGithub内存效率开源项目神经网络训练量化
Low-bit Optimizers项目实现了一种4位优化器技术，可将优化器状态从32位压缩至4位，有效降低神经网络训练的内存使用。通过分析一阶和二阶动量，该项目提出了改进的量化方法，克服了现有技术的限制。在多项基准测试中，4位优化器实现了与全精度版本相当的准确率，同时提高了内存效率，为大规模模型训练开辟了新途径。
T-MAC - 优化低比特量化LLM推理的CPU加速框架
CPU加速GithubLLM推理T-MAC低比特量化开源项目矩阵乘法
T-MAC是一个创新的内核库，采用查找表技术实现混合精度矩阵乘法，无需反量化即可加速CPU上的低比特LLM推理。该框架支持多种低比特模型，包括GPTQ/gguf的W4A16、BitDistiller/EfficientQAT的W2A16和BitNet的W1(.58)A8。T-MAC在多种设备上展现出显著性能提升，例如在Surface Laptop 7上，单核处理速度可达20 tokens/s，四核可达48 tokens/s，比llama.cpp快4~5倍。
neural-compressor - 开源深度学习模型压缩工具库
GithubIntel Neural Compressor大语言模型开源项目模型压缩深度学习框架量化
Neural Compressor是一款开源深度学习模型压缩工具库，支持TensorFlow、PyTorch和ONNX Runtime等主流框架。它提供量化、剪枝、知识蒸馏等多种压缩技术，适用于Intel等多种硬件平台。该工具支持大语言模型优化，并与主流云服务和AI生态系统集成。其自动化的精度感知量化策略有助于平衡模型性能和精度。
model_optimization - 开源神经网络模型压缩与优化工具集
GithubMCTModel Compression Toolkit开源项目模型压缩神经网络优化量化
Model Compression Toolkit (MCT)是一个专注于神经网络模型优化的开源项目,旨在满足高效硬件约束下的部署需求。MCT提供多种量化方法,包括训练后量化和基于梯度的训练后量化,同时支持数据生成和结构化剪枝等功能。此工具集还具备针对特定目标平台的优化能力,为研究人员和开发者提供了全面的模型压缩解决方案。
ncnn - 移动端神经网络推理框架
Githubncnn开源项目深度学习神经网络移动平台腾讯
ncnn 是一个专为移动端设计，无第三方依赖的开源神经网络推理框架。它支持跨平台功能，低内存占用及在手机CPU上的高速运算能力。利用 ncnn，开发者能够迅速在移动应用中部署深度学习模型，加入智能化功能。该框架已在众多应用程序中使用，如QQ和微信。同时，ncnn 支持 Vulkan API，优化了GPU加速功能，致使在移动设备上表现卓越。
nncf - Neural Network Compression Framework：高效神经网络推理压缩算法
GithubNeural Network Compression FrameworkONNXOpenVINOPyTorchTensorFlow开源项目
Neural Network Compression Framework (NNCF) 提供一套后训练和训练时的优化算法，用于在 OpenVINO 中优化神经网络推理，保证最小的精度损失。NNCF 支持 PyTorch、TensorFlow 和 ONNX 等模型，并提供示例展示不同压缩算法的使用案例。NNCF 还支持自动化模型图转换、分布式训练和多种算法的无缝组合，支持将压缩后的 PyTorch 模型导出为 ONNX 检查点及将 TensorFlow 模型导出为 SavedModel 格式。
amc - 自动化模型压缩技术提升移动设备AI性能
AutoMLGithubImageNetMobileNet剪枝开源项目模型压缩
AMC (AutoML for Model Compression) 是一种创新的自动化模型压缩方法，专为优化移动设备上的深度学习模型而设计。该方法通过自动搜索剪枝策略、导出压缩权重和微调，成功将MobileNet等模型的计算量减少50%，同时维持或提升准确率。AMC不仅适用于MobileNet-V1和V2，还提供PyTorch和TensorFlow格式的压缩模型，为移动设备上的高效AI应用提供了新的可能性。
bitsandbytes - 高效CUDA优化库 支持多位量化和矩阵运算
CUDAGithubbitsandbytes优化器开源项目硬件后端量化
bitsandbytes是一个轻量级Python库，为CUDA自定义函数提供封装。该库主要提供8位优化器、矩阵乘法(LLM.int8())以及8位和4位量化功能。通过bitsandbytes.nn模块实现多位线性层，bitsandbytes.optim模块提供优化器。目前正在拓展对更多硬件后端的支持，包括Intel CPU+GPU、AMD GPU和Apple Silicon，Windows平台的支持也在开发中。
aimet - 深度学习模型优化的量化与压缩工具
AIMETGithubPyTorch开源项目模型压缩模型量化深度学习
AI Model Efficiency Toolkit (AIMET) 提供先进的模型量化和压缩技术，专注于优化已训练的神经网络模型。其主要功能包括跨层均衡、偏差校正、自适应舍入和量化感知训练，显著提升模型运行性能，降低计算和内存要求，并保持任务精度。AIMET 兼容 PyTorch、TensorFlow 和 ONNX 模型，通过 AIMET Model Zoo 提供优化的8位推理神经网络模型。同时，AIMET 支持空间SVD和通道剪枝等压缩技术，并提供可视化工具检查模型量化和压缩效果。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号