brevitas
v0.11.0
Brevitas est une bibliothèque Pytorch pour la quantification du réseau neuronal, avec un support à la fois pour la quantification post-formation (PTQ) et la formation de quantification (QAT) .
Veuillez noter que Brevitas est un projet de recherche et non un produit Xilinx officiel.
Si vous aimez ce projet, veuillez considérer ce dépôt, car c'est le moyen le plus simple et le meilleur de le soutenir.
Vous pouvez installer la dernière version de PYPI:
pip install brevitas Brevitas propose actuellement des implémentations quantifiées des couches Pytorch les plus courantes utilisées dans DNN sous brevitas.nn , telles que QuantConv1d , QuantConv2d , QuantConvTranspose1d , QuantConvTranspose2d , QuantMultiheadAttention , QuantRNN , QuantLSTM pour adoption dans PTQ et / ou QAT. Pour chacune de ces couches, la quantification de différents tenseurs (entrées, poids, biais, sorties, etc.) peut être réglée individuellement en fonction d'une large gamme de paramètres de quantification.
En tant que référence pour PTQ, Brevitas fournit un exemple de flux d'utilisateurs pour les modèles de classification ImageNet sous brevitas_examples.imagenet_classification.ptq qui quanmente un modèle de torchion d'entrée utilisant PTQ sous différentes configurations de quantification (par exemple, largeur bit, granularité d'échelle, etc.).
Pour plus d'informations, consultez notre guide de démarrage.
Si vous adoptez des brevitas dans votre travail, veuillez le citer comme:
@software{brevitas,
author = {Alessandro Pappalardo},
title = {Xilinx/brevitas},
year = {2023},
publisher = {Zenodo},
doi = {10.5281/zenodo.3333552},
url = {https://doi.org/10.5281/zenodo.3333552}
}
