QuaDCNN压缩算法

自动定秩轻量化

基于张量列车分解和量化，在精度几乎不降的前提下实现深度CNN显著压缩。

Xiandong, Sun · Enze, Zhu · Qu, Guangzhi · 张锋

Neurocomputing 2025

技术优势

自动定秩免调参

每层的秩根据预设精度和压缩率自适应调整，无需人工逐层试错。

轻量又保精度

在多个CNN架构和数据集上实现更高的参数缩减、模型大小和FLOPs减少，而分类精度仅略有下降。

量化再加码

在张量列车分解之后进一步采用8位整数量化，进一步压缩模型体积。

应用场景

• 边缘设备CNN部署：压缩后模型更小、算得更快，适合部署在手机、MCU等资源受限设备上。
• 机器人视觉压缩：机器人在有限算力下实时运行CNN视觉模块，压缩后延迟和内存占用大幅降低。
• 具身智能轻量化：具身智能体通常受功耗和体积限制，轻量化模型让其能携带更小的计算硬件。
• 无人机机载推理：无人机机载算力有限，压缩后的CNN可以更低功耗完成实时目标检测等任务。