摘要：设计了一种针对心电数据实时分类的量化神经网络,将权重量化为两位整数,运用知识蒸馏的方法使性能达到了期望的效果,并部署于FPGA开发板上。知识蒸馏后的量化网络比全精度网络的分类准确率提升了9%。在FPGA开发板上的运行结果符合预期,达到了需要的性能,可以对左束支传导阻滞(L)、右束支传导阻滞(R)、正常心拍(N)和室性早搏综合征(V)四种心电信号进行分类,相比于其他量化方式对存储参数的需求更小,资源使用更少,相比于CPU速度提升了1.5倍,运行时间达到实时性要求,适合于部署在小型、轻量化的资源有限的可穿戴设备上。

摘要：针对大规模人脸识别问题,基于残差学习的超深卷积神经网络模型能取得比其他方法更高的识别精度,然而模型中存在的海量浮点参数需要占用大量的计算和存储资源,无法满足资源受限的场合需求.针对这一问题,本文设计了一种基于网络参数量化的超深残差网络模型.具体在Face-Res Net模型的基础上,增加了批归一化层和dropout层,加深了网络层次,对网络模型参数进行了二值量化,在模型识别精度损失极小的情况下,大幅压缩了模型大小并提升了计算效率.通过理论分析与实验验证了本文设计方法的有效性.