#model-compression Repositories
Entdecke 35 aktive Open-Source-GitHub-Repositories, die mit #model-compression getaggt sind und insgesamt 63,829 Sterne gesammelt haben (durchschnittlich 1,823 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist z1069614715/objectdetection_script mit 7,353 Sternen.
Insgesamt 35 Repositories
Einige Skripte zur Zielerkennung und Code mit Verbesserungsideen; bitte im readme.md nachlesen.
Effiziente KI-Backbones einschließlich GhostNet, TNT und MLP, entwickelt von Huawei Noah's Ark Lab.
[CVPR 2023] DepGraph: Zu beliebiger struktureller Beschneidung; LLMs, Vision Foundation Models usw.
Vortrainiertes Sprachmodell und zugehörige Optimierungstechniken, entwickelt von Huawei Noah's Ark Lab.
micronet, eine Bibliothek für Modellkompression und Deployment. Kompression: 1、Quantisierung: Quantisierungs-bewusstes Training(QAT), High-Bit(>2b)(DoReFa/Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference)、Low-Bit(≤2b)/Ternary and Binary(TWN/BNN/XNOR-Net); Post-Training-Quantisierung(PTQ), 8-Bit(tensorrt); 2、Pruning: normal、regular and group convolutional channel pruning; 3、Gruppenkonvolutionsstruktur; 4、Batch-Normalisierungs-Fusion für Quantisierung. Deployment: tensorrt, fp32/fp16/in
Code für das ICLR 2023-Paper "GPTQ: Accurate Post-training Quantization of Generative Pretrained Transformers".
Ein Toolkit zur Optimierung von ML-Modellen für die Bereitstellung bei Keras und TensorFlow, einschließlich Quantisierung und Pruning.
TinyGPT-V: Effizientes multimodales großes Sprachmodell über kleine Rückgrate
Kanal-Pruning zur Beschleunigung sehr tiefer neuronaler Netzwerke (ICCV'17)
GigaModels: Ein umfassendes Repository und eine Plattform für multimodale, generative und perzeptuelle Modelle
Sammlung aktueller Methoden zur Kompression und Beschleunigung von (tiefen) neuronalen Netzwerken.
:zap: Basierend auf Yolos stromsparendem, ultraleichtem universellem Zielerkennungsalgorithmus beträgt der Parameter nur 250k, und die Geschwindigkeit des mobilen Smartphoneterminals kann ~300fps+ erreichen.
TinyNeuralNetwork ist ein effizientes und einfach zu bedienendes Framework für die Komprimierung von Deep-Learning-Modellen.
Code für die ICML 2023-Arbeit „SparseGPT: Massive Sprachmodelle können in One-Shot präzise trainiert werden“.
Liste von Arbeiten zur neuronalen Netzwerkquantisierung in den neuesten KI-Konferenzen und Fachzeitschriften.
ControlLoRA: Ein leichtgewichtiges neuronales Netzwerk zur Steuerung räumlicher Informationen von Stable Diffusion
Zusammenfassung, Code für Deep Neural Network Quantization
[ICLR 2025] DuoAttention: Effiziente Langkontext-LLM-Inferenz mittels Retrieval- und Streaming-Heads
Beeindruckende Forschungspapiere zur Komprimierung von Machine-Learning-Modellen, Quantisierung, Tools und Lernmaterialien.
Häufig gestellte Fragen
Welches ist das beliebteste #model-compression-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#model-compression-Projekt auf GitHub ist z1069614715/objectdetection_script mit 7,353 Sternen. Einige Skripte zur Zielerkennung und Code mit Verbesserungsideen; bitte im readme.md nachlesen.
Welche Programmiersprachen werden in #model-compression-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #model-compression-Projekten auf GitHub sind Python, Jupyter Notebook die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #model-compression-Repositories berechnet?
Wir verfolgen 35 aktive Open-Source-Repositories, die mit #model-compression getaggt sind (500+ Sterne), mit insgesamt 63,829 Sternen und durchschnittlich 1,823 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.