这是我们论文的官方代码仓库: 单路径中将自注意力剪枝为卷积层,作者:何昊宇、蔡剑飞、刘静、潘子政、张静、陶大程和庄博涵。
<h3><strong><i>🚀 新闻</i></strong></h3>
为了减少ViT模型的大量计算资源消耗并添加卷积的归纳偏置,我们的SPViT通过将自注意力剪枝为卷积层,将预训练的ViT模型剪枝成准确且紧凑的混合模型。得益于提出的自注意力和卷积层之间的权重共享方案,将搜索问题转化为寻找使用哪些参数子集的问题,我们的SPViT显著降低了搜索成本。
我们提供SPViT的实验结果和预训练模型:
名称 | Top-1准确率 | Top-5准确率 | 参数数 | FLOPs | 模型 |
---|---|---|---|---|---|
SPViT-DeiT-Ti | 70.7 | 90.3 | 4.9M | 1.0G | 模型 |
SPViT-DeiT-Ti* | 73.2 | 91.4 | 4.9M | 1.0G | 模型 |
SPViT-DeiT-S | 78.3 | 94.3 | 16.4M | 3.3G | 模型 |
SPViT-DeiT-S* | 80.3 | 95.1 | 16.4M | 3.3G | 模型 |
SPViT-DeiT-B | 81.5 | 95.7 | 46.2M | 8.3G | 模型 |
SPViT-DeiT-B* | 82.4 | 96.1 | 46.2M | 8.3G | 模型 |
名称 | Top-1准确率 | Top-5准确率 | 参数数 | FLOPs | 模型 |
---|---|---|---|---|---|
SPViT-Swin-Ti | 80.1 | 94.9 | 26.3M | 3.3G | 模型 |
SPViT-Swin-Ti* | 81.0 | 95.3 | 26.3M | 3.3G | 模型 |
SPViT-Swin-S | 82.4 | 96.0 | 39.2M | 6.1G | 模型 |
SPViT-Swin-S* | 83.0 | 96.4 | 39.2M | 6.1G | 模型 |
* 表示使用知识蒸馏。
在本仓库中,我们提供了剪枝两个代表性ViT模型的代码。
如果您觉得我们的论文有用,请考虑引用:
@article{he2024Pruning,
title={Pruning Self-attentions into Convolutional Layers in Single Path},
author={He, Haoyu and Liu, Jing and Pan, Zizheng and Cai, Jianfei and Zhang, Jing and Tao, Dacheng and Zhuang, Bohan},
journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
year={2024},
publisher={IEEE}
}
最强AI数据分析助手
小浣熊家族Raccoon,您的AI智能助手,致力于通过先进的人工智能技术,为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答,小浣熊都能以快速、准确的响应满足您的需求,让您的生活更加智能便捷。
像人一样思考的AI智能体
imini 是一款超级AI智能体,能根据人类指令,自主思考、自主完成、并且交付结果的AI智能体。
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作