问题标签 [optimizer-deeplearning]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
python - tensorflow 2.2.0 中的量化感知训练产生更高的推理时间
我正在使用 MobilenetV2 对个人数据集进行迁移学习的量化。我尝试过两种方法:
i.) 仅训练后量化:它工作正常,并且在 224,224 维上推理 60 幅图像的平均时间为 0.04 秒。
ii.) 量化感知训练 + 训练后量化:它比仅训练后量化产生更高的准确性,但对于相同的 60 张图像产生 0.55 秒的更高推理时间。
1.) 只有训练后量化模型(.tflite)可以通过以下方式推断:
2.) 量化感知训练+训练后量化可以通过以下代码推断。不同之处在于它在这里要求 float32 输入。
我进行了很多搜索,但没有得到任何关于此查询的回复。如果可能的话,请帮助解释为什么在量化感知训练+训练后量化的情况下,与仅训练后量化相比,我的推理时间会变高?
deep-learning - 反向传播是否使用优化函数来更新权重?
我知道反向传播计算成本函数相对于模型参数(权重和偏差)的导数。但是,我需要确保反向传播不会更新权重和偏差;相反,它使用优化器来更新权重和偏差,如 Adam、梯度下降等
提前致谢