量化权值激活的生成对抗网络

• 作者: 冷聪 刘青山 胡庆浩 郑哲
• 来源期刊: 计算机科学
• 关键词: 生成对抗网络 资源受限 移动端设备 神经网络压缩 量化
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 计算机图形学&多媒体
• 页码范围: 144-148
• 页数: 5页
• 字数: 4937字
• 语种: 中文
• DOI: 10.11896/jsjkx.190700176

摘要

近年来,生成对抗网络(Generative Adversarial Networks,GAN)在图像超分辨率、图像生成等许多计算机视觉任务中展现出优异的性能.借助于GPU强大的计算力,人们可以设计计算复杂度更高的GAN网络.然而,对于资源受限的移动端设备,高功耗、计算需求大的GAN将很难被直接部署到实际应用中.得益于神经网络压缩技术取得的巨大进展,将GAN部署到移动端设备成为可能.为此,文中提出一种同时对网络权值和激活进行量化的方案来压缩GAN网络.通过量化敏感性分析发现,与量化分类网络不同,GAN中的量化权重比量化激活更敏感,因此在量化时给予权重更多的量化比特.文中比较了两种评价GAN生成图像的指标即Inception Score(IS)和Fréchet Inception Distance(FID),发现FID更适合评估量化后GAN的性能.基于敏感性分析在Mnist和Celeb-A数据集上进行量化实验,用FID指标来评估量化GAN的性能.实验结果表明:在生成图像质量不下降的情况下,所提方法依然可以取得4倍以上的压缩率,从而有效地解决了GAN的压缩问题.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘青山	南京信息工程大学自动化学院	34	203	8.0	13.0
3	郑哲	南京信息工程大学自动化学院	2	0	0.0	0.0
12	胡庆浩	中国科学院自动化研究所南京人工智能芯片创新研究院	1	0	0.0	0.0
15	冷聪	中国科学院自动化研究所南京人工智能芯片创新研究院	1	0	0.0	0.0