面向欧氏_非欧氏数据的深度神经网络压缩与加速算法研究.pdf

针对欧氏平面内连接固定原点的最小树长问题，即欧氏Steiner最优树问题，给出了插入算法、递增优化算法、遗传算法等三种快速算法，并在微机上予以实现。经大量实例测试和结果比较，获得了满意的效果。

深度神经网络加速与压缩概览 ................................................................................

深度神经网络压缩和加速方法研究综述,陈沛鋆,刘宏福,近年来,深度神经网络技术快速发展,在众多领域中展现出了卓越的性能。但是,先进的神经网络模型的内存占用和计算复杂度都很高且

High PE Utilization CNN Accelerator with Channel Fusion Supporting Pattern-Compressed Sparse Neural

深度神经网络中过多的参数使得自身成为高度计算密集型和内存密集型的模型，这使得深度神经网络的应用不能轻易地移植到嵌入或移动设备上以解决特殊环境下的实际需求。为了解决该问题，提出了基于网络删减、参数共享两

基于欧氏距离的K-MEANS算法优化，李轮，宋文广，对于传统的K-means聚类算法而言，在使用上有太多的局限性。文中针对K-means算法，在基于欧氏距离相似度计算的基础上，利用现有的一些�

用于深度神经网络压缩和加速的论文

Mayo：自动生成硬件友好的深度神经网络。 动态通道修剪：特征提升和抑制。

近年来图形处理器(GPU)快速拓展的可编程性能力加上渲染流水线的高速度及并行性，使得图形处理器通用计算(GPGPU)迅速成为一个研究热点。针对大规模神经网络BP算法效率低下问题，提出了一种GPU加速的

为什么要对网络进行压缩和加速呢？最实际的原因在于当前存储条件和硬件的计算速度无法满足复杂网络的需求，当然也许十几年或更远的将来，这些都将不是问题，那么神经网络的压缩和加速是否仍有研究的必要呢？答案是肯