排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
针对现有卷积神经网络(CNN)模型计算效率低、内存带宽浪费大等问题,提出了一种基于现场可编程门阵列(FPGA)优化压缩策略。对预先训练好的CNN模型进行分层剪枝,采用基于新型的遗传算法进行信道剪枝,同时设计了两步逼近适应度函数,进一步提高了遗传过程的效率。此外,通过对剪枝CNN模型进行数据量化,使得卷积层和全连接层的权值根据各自的数据结构以完全不同的方式存储,从而减少了存储开销。实验结果表明,在输入4 000个训练图像进行压缩过程中,该方法所耗压缩时间仅为15.9 s。 相似文献
2.
3.
为了改善Kubernetes资源调度算法的负载均衡性,针对传统的Kubernetes默认调度算法只考虑了节点的CPU利用率和内存利用率,未考虑磁盘IO利用率和网络带宽利用率的问题,提出一种基于鸽群算法的Kubernetes资源调度算法。选择CPU、内存、磁盘IO和网络带宽平均资源利用率标准差作为适应度函数,通过鸽群算法的调度分配实现资源的最佳分配。研究结果表明,PIO-Kubernetes算法提高了集群负载能力,并且具有更强的并行处理能力。 相似文献
4.
1