Logo
Project Icon

model-optimization

TensorFlow 模型优化工具包, 支持量化和稀疏化

TensorFlow Model Optimization Toolkit机器学习模型量化剪枝KerasGithub开源项目

TensorFlow Model Optimization Toolkit 提供稳定的 Python API，帮助用户通过量化和稀疏化技术优化机器学习模型，包括针对 Keras 的专用 API。该工具包还提供详细的安装指南、教程和 API 文档，显著提升模型在部署和执行时的性能。该项目由 TensorFlow 团队维护，并遵循其行为准则，开发者可以通过 GitHub 提交问题和贡献代码。

访问官网访问官网GithubGithub文档文档
介绍相关项目
onnx-simplifier - 简化ONNX模型的工具
GithubONNX SimplifierPyPIconstant folding开源项目模型简化深度学习
ONNX Simplifier通过推理整个计算图，将冗余操作替换为常量输出，从而简化ONNX模型。用户可通过Web版本无需安装地使用该工具，或通过pip命令安装Python版本进行本地使用。该工具适用于多种项目，如MXNet、MMDetection、YOLOv5等，显著提升模型效率和可读性。
Llama-3-8B-Instruct-GPTQ-4-Bit - 利用GPTQ量化优化模型性能的新方法
Apache AirflowGPTQGithubHuggingfaceMeta-Llama-3-8B-Instruct开源项目数据协调模型量化
Astronomer的4比特量化模型通过GPTQ技术减少VRAM占用至不足6GB，比原始模型节省近10GB。此优化提高了延迟和吞吐量，即便在较便宜的Nvidia T4、K80或RTX 4070 GPU上也能实现高效性能。量化过程基于AutoGPTQ，并按照最佳实践进行，使用wikitext数据集以减小精度损失。此外，针对vLLM和oobabooga平台提供详细配置指南，以有效解决加载问题。
onnx2tf - ONNX文件转换工具，支持TensorFlow、TFLite和Keras格式
GithubKerasONNXTensorFlowonnx2tf开源项目模型转换
onnx2tf工具解决了在onnx-tensorflow中大规模转置推测的问题，支持将ONNX文件从NCHW转换为TensorFlow、TFLite和Keras的NHWC格式。工具每日进行优化和修复，如遇问题建议尝试旧版本或等待最新更新。该工具兼容PyTorch生成的ONNX模型，支持多种层类型并可与TensorFlow/Keras/TFLite无缝集成。详细的环境配置和使用指南适用于Linux和Windows。
opt-125m - 开放预训练变压器模型OPT的功能与限制
GithubHuggingfaceOPT大语言模型开源项目数据集模型生成文本预训练模型
OPT是一种开放预训练的变压器语言模型，支持从125M到175B参数的不同模型，旨在推动可再现的研究。模型通过因果语言建模进行自监督预训练，适用于文本生成和下游任务评估。需注意，由于训练数据多样性不足，OPT在偏见和安全性上存在限制。用户可通过Hugging Face平台使用这些模型进行文本生成，以更深入了解大语言模型的表现。
sparsegpt - 开源项目实现大型语言模型高效压缩
GithubSparseGPT开源项目模型压缩神经网络剪枝稀疏化语言模型
SparseGPT是一个致力于大型语言模型压缩的开源项目。它提供了一套工具，可在单次操作中对OPT、BLOOM和LLaMA等大规模语言模型进行精确剪枝。该项目支持非结构化、n:m结构化和稀疏量化压缩方法，并包含在WikiText2、PTB和C4子集上评估模型性能的脚本。SparseGPT能有效缩减模型规模的同时保持准确性，为研究人员和开发者提供了探索语言模型压缩的实用工具。
CodeQwen1.5-7B-GGUF - 丰富的量化模型选择，多平台优化性能
CodeQwen1.5-7BGithubHugging FaceHuggingface内存需求开源项目模型模型质量量化
通过llama.cpp工具实现多量化模型的生成，CodeQwen1.5系列提供不同文件大小和质量选项，适用于各种设备资源和性能需求。推荐选择高质量Q6_K和Q5_K_M格式，平衡性能与存储空间。该项目适合RAM和VRAM有限的用户，并支持多种格式在不同硬件平台上运行。新方法如I-quants提高性能输出，但与Vulcan不兼容，适用于Nvidia的cuBLAS和AMD的rocBLAS。丰富的特性矩阵便于深入比较选择。
model_server - 高性能AI模型部署系统 支持多框架和多设备
AI部署GithubOpenVINO Model Server开源项目微服务架构模型推理模型管理
OpenVINO Model Server是一个高性能AI模型部署系统，针对Intel架构优化。支持TensorFlow、PaddlePaddle和ONNX等多种框架，可在不同AI加速器上运行。系统通过gRPC和REST API提供服务，具备模型版本控制、动态输入和DAG调度等功能。适用于边缘计算和云环境，可提高资源利用率和推理效率。该系统还支持Python代码执行、gRPC流式传输和MediaPipe图形服务。OpenVINO Model Server适合微服务架构应用和Kubernetes环境部署，可实现水平和垂直推理扩展。
awesome-compression - 模型压缩技术入门教程与实践指南
DatawhaleGithub实践开源项目教程模型压缩深度学习
这个开源项目提供了一个全面的模型压缩技术入门教程，涵盖剪枝、量化和知识蒸馏等方法。通过结合理论讲解和实践代码，该项目旨在降低学习门槛，帮助初学者和研究人员掌握如何有效压缩深度学习模型，以满足实际应用需求。
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。
Replete-LLM-V2.5-Qwen-32b-GGUF - 量化模型文件下载指南，通过选择适合的文件优化性能
GithubHuggingfaceReplete-LLM-V2.5-Qwen-32b嵌入输出权重开源项目文本生成模型视觉处理量化
该项目使用llama.cpp工具进行模型量化，提供多种Replete-LLM-V2.5-Qwen-32b模型文件下载选项。每种文件类型均说明其特性，如高质量和性能等，并适应不同硬件环境，以帮助用户根据需求优化模型质量或速度。文件适用于多种RAM和VRAM配置，便于在不同系统中实现优异性能。
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