{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,1,21]]，“日期-时间”：“2024-01-21T04:08:06Z”，“时间戳”：1705810086585}，“参考-计数”：63，“出版商”：“计算机协会（ACM）”，“问题”：“1”，“资助者”：[{“DOI”：“10.13039\/501100012166”，“名称”：“国家中国重点研发计划”，“doi-asserted-by”：“crossref”，“adward”：[“2021ZD0110101”]}，{“doi”：“10.13039\/501100001809”，“name”：“国家自然科学基金”，“doiasserted-by“：”crossref.“，”adward“：[“62090024，62232015，and 62302479”]}.，{”doi“：”10.13039\\501100002858“，”name“：”中国博士后科学基金“，”doi-assert-by“:”crossrev“，”award“：[“2023M733566”]}，{“name”：“中科院信息通信技术创新基金”，“award”：[“E361010”]}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[”acm Trans.Archit.Code Optim.“]，“published-print”：{“date-parts”：[2024,3,31]}，”abstract“：”低精度计算已成为加速卷积神经网络最有效的技术之一，并在现代硬件上获得了广泛支持。尽管低精度计算在加速卷积神经网络方面很有效，但由于数值问题，它尚未普遍应用于快速卷积，如Winograd算法。在本文中，我们提出了一种有效的量化Winograd卷积，称为LoWino，它在Winograd-domain中使用了一种内部量化方法来减少变换带来的精度损失。同时，我们提出了一种有效的实现方法，它集成了设计良好的优化技术，使我们能够充分利用现代CPU上的低精度计算能力。我们在两个具有代表性卷积层和神经网络模型的Intel Xeon Scalable Processor平台上评估LoWino。实验结果表明，与供应商库中最先进的实现相比，我们的方法可以实现平均1.84\u00d7和1.91\u00d的操作员加速，同时将准确性损失保持在合理的水平<\/jats:p>“，”DOI“：”10.1145\/3632956“，”type“：”journal-article“，”created“：{”date-parts“：[2023,11,17]]，”date-time“：”2023-11-17T12:12:18Z“，”timestamp“：1700223138000}，”page“：标题“：[”快速卷积遇到低精度：探索现代CPU上的高效量化Winograd卷积“]，”前缀“：”10.1145“，”卷“：”21“，”作者“：[{”ORCID“：”http://\/ORCID.org\/00000-0002-7835-113X“，”authenticated-ORCID“：false，”给定“：”雪英“，”family“：”Wang“，”sequence“：”first“，”affiliation“：”[{“name”：“中国北京邮电大学“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0002-9738-261X”，“authenticated-ORCID”：false，“given”：”Guangli“，”family“：”Li“，”sequence“：”additional“，”affiliation“：[{”name“中国科学院计算技术研究所，中国科学院大学”}]{“ORCID“：”http://\/ORCID.org\/00000-0003-3543-2324“，”authenticated-ORCID“：false，”给定“：”Zhen“，”family“：”Jia“，”sequence“：”additional“，”affiliation“：[{“name”：“Amazon Web Services，USA”}]}，{“ORCID”：“http://\/ORCID.org\/0000-0003-2909-7750”，“authentimated-ORCID”：false“，”给定：“Xiaobing”，“family”：“Feng”，“sequence”：“additional”，“affiliance”：[{“名称”：“中国科学院计算技术研究所和中国科学院大学“}]}，{“ORCID”：“http://\/ORCID.org\/0000-0001-8165-840X”，“authenticated-ORCID”：false，“given”：”Yida“，“family”：“Wang”，“sequence”：“additional”，“affiliation”：[{“name”：“Amazon Web Services，USA”}]}]，“member”：“320”，“published-on-line”：{“date-parts“：[[2024,1,19]]}，”reference“：[{”key“：”e_1_3_1_2_2“，”first page“：“582”，”volume-title“：”微体系结构国际研讨会论文集“，”author“：”Andri Renzo“，”year“：”2022“，”unstructured“：”Renzo-Andri、Beatrice Bussolino、Antonio Cipolletta、Lukas Cavigelli和Zhe Wang。2022。进一步使用winograd卷积：轻敲量化可在4x4平铺上进行有效推断。《国际微体建筑学研讨会论文集》。IEEE，582\u2013598.“}，{“问题”：“4”，“关键”：“e_1_3_1_3_2”，“doi-asserted-by”：“crossref”，“首页”：“1”，“doi”：“10.1145 \/3412380”，“文章标题”：“错误分析和提高深层神经网络Winograd卷积的准确性”，“卷”：“46”，“作者”：“Barabasz Barbara”，“年份”：“2020”，“非结构化”：“芭芭拉·巴拉巴斯，Andrew Anderson，Kirk M。Soodhalter和David Gregg。2020年。深度神经网络的误差分析和提高Winograd卷积的准确性。ACM事务处理。数学。柔和。46，4（2020），1\u201333.“，“日记标题”：“ACM Trans。数学。柔和。“}，{”key“：”e_1_3_1_4_2“，”首页“：”5918“，”volume-title“：”IEEE计算机视觉与模式识别会议论文集“，”author“：”Cai Zhaowei“，”year“：”2017“，”unstructured“：”Zhaowi Cai，Xiaodong He，Jian Sun，and Nuno Vasconcelos.2017。通过半波高斯量化实现低精度的深度学习。IEEE计算机视觉和模式识别会议论文集。5918\u20135926.“}，{”key“：”e_1_3_1_5_2“，”首页“：”291“，”article-title“：”幻灯片：“大型深度学习系统硬件加速智能算法辩护”，“卷”：“2”，“作者”：“陈贝迪”，“年份”：“2020”，“非结构化”：“Beidi Chen，Tharun Medini，James Farwell，Charlie Tai，Anshumali Shrivastava，et \u00a0al.2020。幻灯片：针对大规模深度学习系统的硬件加速，为智能算法辩护。程序。机器。学习。系统。2（2020），291\u2013306.“，“新闻标题”：“Proc。机器。学习。系统。“}，{”issue“：”1“，”key“：”e_1_3_1_6_2“，”doi-asserted-by“：”crossref“，”first page“：“64”，”doi“：”10.1631 \/FITEE.1700789“，”artic-title“：”深度卷积神经网络有效计算的最新进展“，”volume“:”19“，”author“：”Cheng Jian“，”year“：”2018“，”unstructured“：”Jian Cheng，Pei-song Wang，Gang Li，Qing-hao Hu，and Han-Qing Lu.2018。深度卷积神经网络有效计算的最新进展。前面。信息技术。选举人。Eng.19，1（2018），64\u201377。“，“journal-title”：“Front。信息技术。选举人。工程师“}，{”key“：”e_1_3_1_7_2“，”首页“：”12507“，”volume-title“：”IEEE\/CVF计算机视觉和模式识别会议记录“，”author“：”Chikin Vladimir“，”year“：”2022“，”unstructured“：”Vladimir Chikin和Vladimil Kryzhanovskiy.2022。用于精确量化winograd卷积的信道平衡。IEEE计算机视觉和模式识别会议论文集。12507\u201312516.“｝，｛“key”：“e_1_3_1_8_2”，“首页”：“3009”，“卷标题”：“ICCV研讨会论文集”，“作者”：“Choukroun Yoni”，“年份”：“2019”，“非结构化”：“Yoni Choukroun，Eli Kravchik，Fan Yang，and Pavel Kisilev。2019。用于有效推理的神经网络的低位量化。在ICCV研讨会的会议记录中。3009\u20133018.“}，{“key”：“e_1_3_1_9_2”，“article-title”：“二值化神经网络：训练深度神经网络，权值和激活限制为+1或\u20131”，“author”：“Courbariaux Matthieu”，“year”：“2016”，“unstructured”：“Matthieu-Courbariaux，Itay Hubara，Daniel Soudry，Ran El-Yaniv，and Yoshua Bengio。2016。二值化神经网络：训练深度神经网络，权重和激活限制为+1或\u20131。arXiv:1602.02830。检索自https:\/\/arxiv.org\/abs\/1602.02830“，”journal-title“：”arxiv:“1602.02830”}，{“key”：“e_1_3_1_10_2”，“first-page”：“156”，“article-title”：“加速现代cpu上的幻灯片深度学习：矢量化、量化、内存优化等”，“volume”：”3“，“author”：“Daghaghi-Shabnam”，“year”：“2021”，“unstructured”：“”沙布纳姆·达格哈吉（Shabnam Daghaghi）、尼古拉斯·梅斯伯格（Nicholas Meisburger）、孟南·赵（Mengan Zhao）和安舒马利·施里瓦斯塔瓦（Anshumali Shrivastava）。2021.加速现代cpu上的幻灯片深度学习：矢量化、量化、内存优化等。程序。机器。学习。系统。3（2021），156\u2013166.“，“新闻标题”：“Proc。机器。学习。系统。“}，{”key“：”e_1_3_11_2“，”首页“：”248“，”volume-title“：”IEEE计算机视觉与模式识别会议记录“，”author“：”Deng Jia“，”year“：”2009“，”unstructured“：”Jia Deng，Wei Dong，Richard Socher，Li-Jia Li，Kai Li，and Li Fei-Fei.2009。Imagenet：一个大规模的分层图像数据库。IEEE计算机视觉和模式识别会议论文集。IEEE，248\u2013255.“}，{”key“：”e_1_3_1_12_2“，”article-title“：”使用混合块浮点训练dnns“，”volume“：“31”，”author“：”Drumond Mario“，”year“：”2018“，”unstructured“：”Mario Drumond.，Tao Lin，Martin Jaggi，and Bababak Falsafi.2018。使用混合块浮点训练dnn。高级神经信息处理。系统。31 (2018).，“journal-title”：“高级神经信息处理。系统。“}，{”key“：”e_1_3_13_2“，”first page“：“1”，”volume-title“：”Proceedings of the Machine Learning and Systems Conference“，”author“：”Fern\u00e1ndez-Marqu\u00e 9s Javier“，”year“：”2020“，”unstructured“：”Javier Fern\u 00e1indez-Margu00e9s，Paul N.Whatmough，Andrew Mundy，and Matthew Matthew Matina.2020。搜索winograd-ware量化网络。机器学习和系统会议论文集。1\u201316.“}，{”key“：”e_1_3_1_14_2“，”首页“：”1“，”volume-title“：”并行处理国际会议论文集“，”author“：”Gangli Li“，”year“：”2021“，“unstructured”：”Li Gangli，Zhen Jia，Xiaobing Feng，and Yida Wang.2021。LoWino：在现代CPU上实现高效的低精度winograd卷积。《并行处理国际会议论文集》。1\u201311.“}，{”key“：”e_1_3_1_15_2“，”首页“：”796“，”volume-title“：”国际微体系结构研讨会论文集“，”author“：”龚章晓文“，”year“：”2020“，”unstructured“：”张晓文龚，侯祥基，克里斯托弗·弗莱彻，克里斯托弗·J·休斯，萨拉·巴格索基，乔塞普·托雷拉斯。2020。保存：Sparsity-aware矢量引擎，用于加速cpu上的dnn训练和推理。《国际微体建筑学研讨会论文集》。IEEE，796\u2013810.“}，{”key“：”e_1_3_1_16_2“，”首页“：”12175“，”volume-title“：”IEEE\/CVF计算机视觉与模式识别会议（CVPR\u201922）会议记录“，”author“：”郭建元“，”year“：”2022“，”unstructured“：”Guo Jianyuan，Kai Han，Han Wu，Yehui Tang，Xinghao Chen，Yunhe Wang，and Chang Xu.2022。CMT：卷积神经网络满足视觉变换器。IEEE计算机视觉和模式识别会议论文集（CVPR\u201922）。12175\u201312185.“}，{”key“：”e_1_3_1_17_2“，”article-title“：”量化神经网络方法与理论综述“，”author“：”郭云辉“，”year“：”2018“，”unstructured“：”Yunhui Guo.2018“。量化神经网络方法和理论综述。arXiv:1808.04752。检索自https:\/\/arxiv.org\/abs\/1808.04752“，”journal-title“：”arxiv:1808.04752“}，{“key”：“e_1_3_1_18_2”，“article-title”：“深度压缩：使用修剪、训练量化和huffman编码压缩深度神经网络”，“author”：“Han Song”，“year”：“2015”，“unstructured”：“Song Han，Huizi Mao，and William J.Dally.2015。深度压缩：通过剪枝、训练量化和哈夫曼编码压缩深度神经网络。arXiv:1510.00149。检索自https:\/\/arxiv.org\/abs\/1510.00149“，”journal-title“：”arxiv:1510.00149“}，{“key”：“e_1_3_1_19_2”，“首页”：“770”，“volume-title”：“IEEE计算机视觉与模式识别会议论文集”，“author”：“He Kaiming”，“year”：“2016”，“unstructured”：“Kaiming He，Xiang Zhang，Shaoqing Ren，and Jian Sun。2016。用于图像识别的深度残差学习。IEEE计算机视觉和模式识别会议论文集。770\u2013778.“}，{“issue”：“8”，“key”：“e_1_3_1_20_2”，“首页”：“3594”，“article-title”：“深度卷积神经网络的渐近软滤波修剪”，“volume”：”50“，“author”：“He Yang”，“year”：“2019”，“unstructured”：“Yang He，Xuanyi Dong，Guoliang Kang，Yanwei Fu，Chenggang Yan，and Yi Yang.2019”。深度卷积神经网络的渐进软滤波器修剪。IEEE传输。网络。50，8（2019），3594\u20133604.”，“期刊标题”：“IEEE Trans。网络。“}，{”key“：”e_1_3_1_21_2“，”首页“：”1389“，”volume-title“：”IEEE国际计算机视觉会议论文集“，”author“：”何一辉“，”year“：”2017“，”unstructured“：”何一辉、张湘玉、孙健。2017。用于加速超深层神经网络的通道修剪。在IEEE国际计算机视觉会议论文集上。1389\u20131397.“}，{”key“：”e_1_3_1_22_2“，”首页“：”4174“，”volume-title“：”AAAI人工智能会议论文集“，”卷“：”34“，”author“：”Huang Di“，”年份“：”2020“，”unstructured“：”Di Huang，Xishan Zhang，Rui Zhang“，Tian Zhi，Deyuan He，Jiaming Guo，Chang Liu，Qi Guo，Zidong Du，Shaoli Liu，et \u00a0al.2020“。DWM：一种用于卷积加速的可分解winograd方法。《AAAI人工智能会议论文集》，第34卷。4174\u20134181.“}，{”key“：”e_1_3_1_23_2“，”volume-title“：”内部指南“，”year“：”2021“，”unstructured“：”Intel.2021“。本质指南。2021年3月29日检索自https:\/\/software.intel.com/sites\/landingpage\/IntrinsicsGuide\/“}，{“key”：“e_1_3_1_24_2”，“volume-title”：“第二代intel Xeon可扩展处理器上的intel Deep Learning Boost简介”，“year”：“2021”，“unstructured”：“intel.2021”。第二代Intel Xeon可扩展处理器上的Intel深度学习增强简介。2021年3月24日检索自https:\/\/software.intel.com/content\/www\/us\/en\/develove\/articles \/introduction-to-intel-deep-learning-boos-on-second-generation-intel-xeon-scalable.html“}，{“key”：“e_1_3_1_25_2”，“volume-title”：“oneAPI deep Neural Network Library（oneDNN）”，“year”：“2021”，“unstructured”：“intel.2021”。oneAPI深层神经网络库（oneDNN）。2021年2月27日检索自https:\/\/github.com//oneapi-src\/oneDNN“}，{”key“：”e_1_3_1_26_2“，”first page“：“2704”，”volume-title“：”Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition“，”author“：”Jacob Benoit“，”year“：”2018“，”unstructured“：”Benoit Jacob、Skirmantas Kligys、Bo Chen、Menglong Zhu、Matthew Tang、Andrew Howard、Hartwig Adam和Dmitry Kalenichenko。2018.神经网络的量化和训练，以实现高效的整数算法推理。IEEE计算机视觉和模式识别会议论文集。2704\u20132713.“}，{”issue“：”7“，”key“：”e_1_3_1_27_2“，”首页“：”986“，”article-title“：”通过MegaKernel在GPU上启用高效快速卷积算法“，”volume“：“69”，“author”：“贾连成”，“year”：“2020”，“unstructured”：“连成贾，Yun Liang，Li qiang Lu，and Shengen Yan.2020。通过MegaKernel在GPU上实现高效快速卷积算法。IEEE传输。计算。69，7（2020），986\u2013997。”，“期刊标题”：“IEEE Trans。计算。“}，{”key“：”e_1_3_1_28_2“，”首页“：”47“，”volume-title“：”ACM操作系统原理研讨会论文集“，”author“：”贾志浩“，”year“：”2019“，”unstructured“：”贾志浩，Oded Padon，James Thomas，Todd Warszawski，Matei Zaharia，and Alex Aiken.2019。TASO：通过自动生成图形替换来优化深度学习计算。ACM操作系统原理研讨会论文集。47\u201362.“}，{”key“：”e_1_3_1_29_2“，”首页“：”109“，”volume-title“：”ACM SIGPLAN并行编程原理与实践研讨会论文集“，”author“：”Jia Zhen“，”year“：”2018“，”unstructured“：”Zhen Jia，Aleksandar Zlateski，Fredo Durand，and Kai Li.2018。为多核CPU优化基于winograd的N维卷积。在ACM SIGPLAN并行编程原理与实践研讨会的会议记录中。109\u2013123.“}，{”key“：”e_1_3_1_30_2“，”unstructured“：”Zhen Jia Aleksandar Zlateski Fredo Durand and Kai Li.2018。多核上的最优winograd卷积。机器学习与系统学报1\u20133.“}，{“key”：“e_1_3_1_31_2”，“article-title”：“Flexpoint：深层神经网络有效训练的自适应数值格式”，“volume”：”30“，“author”：“K\u00f6ster Urs”，“year”：“2017”，“unstructured”：“Urs K\u006ster，Tristan Webb，Xin Wang，Marcel Nassar，Arjun K。班萨尔、威廉·康斯特布尔、奥古斯·埃利波尔、斯科特·格雷、斯图尔特·霍尔、卢克·霍诺夫等人。2017年，Flexpoint：一种有效训练深层神经网络的自适应数字格式。高级神经信息处理。系统。30 (2017).，“journal-title”：“高级神经信息处理。系统。“}，{”issue“：”8“，”key“：”e_1_3_1_32_2“，”doi-asserted-by“：”crossref“，”first page“：“151”，”doi“：”10.3390\/computers12080151“，”article-title“：”卷积神经网络：A survey“，”volume“:”12“，”author“：”Krichen Moez“，”year“：”2023“，”unstructured“：”Moez Krichen.2023。卷积神经网络：综述。计算机12，8（2023），151.“，”杂志标题“：”计算机“}，{“key”：“e_1_3_1_33_2”，“article-title”：“量化深度卷积网络以进行有效推理：白皮书”，“作者”：“Krishnamoorthi Raghuraman”，“年份”：“2018”，“非结构化”：“Raghuranman Krishnamanorthi.2018”。量化深度卷积网络以实现高效推理：白皮书。arXiv：1806.08342。检索自https:\/\/arxiv.org\/abs\/1806.08342“，”journal-title“：”arxiv:1806.08342}“，{”key“：”e_1_3_1_34_2“，”first page“：“1097”“article-title”：“Imagenet classification with deep volume neural networks”，“volume”：“25”，“author”：“Krizhevsky Alex”，“year”：“2012”，“unstructured”：“Alex Krizhovsky，Ilya Sutskever，and Geoffrey e.Hinton.2012。基于深度卷积神经网络的Imagenet分类。高级神经信息处理。系统。25（2012），1097\u20131105.“，“期刊标题”：“高级神经信息处理。系统。}，{“key”：“e_1_3_1_35_2”，“volume-title”：“信息理论与统计”，“author”：“Kullback Solomon”，“year”：“1997”，“unstructured”：“Solomon Kullback.1997”。信息理论与统计学。Courier公司。“}，{”key“：”e_1_3_1_36_2“，”volume-title“：”wincnn“，”author“：”Lavin Andrew“，”year“：”2021“，”unstructured“：”Andrew Lavin.2021。温克恩。2021年2月27日检索自https:\/\/github.com/andravin\/wincnn“}，{“key”：“e_1_3_1_37_2”，“first-page”：“4013”，“volume-title”：“IEEE计算机视觉和模式识别会议记录”，“author”：“Lavin Andrew”，“year”：“2016”，“unstructured”：“Andrew Lavin and Scott Gray.2016”。卷积神经网络的快速算法。IEEE计算机视觉和模式识别会议论文集。4013\u20134021.“｝，｛“键”：“e_1_3_1_38_2”，“第一页”：“159”，“卷标题”：“IEEE应用并行与分布式处理国际会议论文集”，“作者”：“李晨迪”，“年份”：“2021”，“非结构化”：“李晨迪、贾海鹏、曹航、姚建宇、石伯谦、向春阳、孙金波、卢鹏奇和张云泉。2021。Autotsmm：一个自动调整框架，用于在cpu上构建高性能的身高和瘦体重矩阵乘法。在IEEE国际会议关于并行和分布式处理与应用程序的会议记录中。IEEE，159\u2013166.“}，{”key“：”e_1_3_1_39_2“，”首页“：”1“，”volume-title“：”并行处理国际会议论文集“，”author“：”李东生“，”year“：”2021“，“unstructured”：”李冬生、黄丹、陈志光、陆宇通.2021。在ARM处理器上优化大规模并行winograd卷积。《并行处理国际会议论文集》。1\u201312.“}，{”key“：”e_1_3_1_40_2“，”首页“：”3842“，”卷标“：”声学、语音和信号处理国际会议论文集“，”作者“：”李广利“，”年份“：”2020“，”非结构化“：”李广利、刘磊、王雪英、马秀萍、冯小兵.2020。Lance：基于图形处理单元的神经网络的高效低精度量化winograd卷积。在国际声学、语音和信号处理会议记录中。IEEE，3842\u20133846.“}，{”key“：”e_1_3_1_41_2“，”首页“：”90“，”volume-title“：”代码生成与优化国际研讨会论文集“，”author“：”Li Guangli“，”year“：”2021“，”unstructured“：”Guangli Li，Jingling Xue，Lei Liu，Xueying Wang，Xium Ma，Xiao Dong，Jiansong Li，and Xiao Bing Feng.2021。在GPU上释放张量核的低精度计算潜力。代码生成和优化国际研讨会论文集。IEEE，90\u2013102.“}，{”key“：”e_1_3_1_42_2“，”首页“：”1“，”volume-title“：”并行处理国际会议论文集“，”author“：”刘俊宏“，”year“：”2021“，“unstructured”：”Junhong Liu，Dongxu Yang，and Junjie Lai.2021。利用张量核优化基于Winograd的卷积。《并行处理国际会议论文集》。1\u201310.“}，{”key“：”e_1_3_1_43_2“，”首页“：”1025“，”volume-title“：”2019年USENIX年度技术会议论文集（USENIX-ATC\u201919）“，”author“：”Liu Yizhi“，”year“：”199“，”unstructured“：”Yizhi-Liu、Yao Wang、Ruofei Yu、Mu Li、Vin Sharma和Yida Wang。2019。在cpu上优化CNN模型推理。2019年USENIX年度技术会议记录（USENIX-ATC\u201919）。1025\u20131040.“}，{”key“：”e_1_3_1_44_2“，”首页“：”1“，”volume-title“：”《欧洲计算机系统会议论文集》“，”author“：”Mazaheri Arya“，”year“：”2020“，”unstructured“：”Arya Mazaheri，Tim Beringer，Matthew Moskewicz，Felix Wolf，and Ali Jannesari.2020。使用符号计算和元编程加速winograd卷积。《欧洲计算机系统会议记录》。1\u201314.“}，{”key“：”e_1_3_1_45_2“，”unstructured“：”保利乌斯·米切维希乌斯·杜桑·斯托西克·尼尔·伯吉斯·马吕斯·科内拉·普拉迪普·杜比·理查德·格里森特瓦特·桑原哈·亚历山大·海内克·帕特里克·贾德·约翰·卡马卢·纳文·梅伦普迪·斯图尔曼·奥伯曼·穆罕默德·肖比·迈克尔·萧和郝武。2022年。用于深度学习的FP8格式。arxiv:2209.05433[cs.LG]。检索自https:\/\/arxiv.org\/abs\/2209.05433“}，{”key“：”e_1_3_1_46_2“，”first page“：“5”，”volume-title“：”GPU技术会议记录“，”volum:“2”，”author“：”Migacz Szymon“，”year“：”2017“，”unstructured“：”Szymon-Migcz.2017“。用张量rt进行8位推理。在GPU技术会议论文集，第2卷。5.“｝，｛”键“：”e_1_3_1_47_2“，”卷标题“：”CUDA C++编程指南“，”年份“：”2021“，”非结构化“：”NVIDIA.2021。CUDA C++编程指南。2021年3月29日检索自https:\/\/docs.nvidia.com/cuda\/cuda-c-programming-guide\/index.html“}，{“key”：“e_1_3_1_48_2”，“first page”：：“608”，“volume-title”：“Proceedings of the 15th European Conference on Computer Vision（ECCV\u201918）”，“author”：“Park Eunhyeok”，“year”：“2018”，“unstructured”：“Eunhyeock Park，Sunghoo Yoo，and Peter Vajda.2018”。用于神经网络训练和推理的值件量化。《第十五届欧洲计算机视觉会议论文集》（ECCV\u201918）。608\u2013624.“}，{”key“：”e_1_3_1_49_2“，”首页“：”8024“，”volume-title“：”神经信息处理系统的进展“，”author“：”Paszke Adam“，”year“：”2019“，”unstructured“：”Adam Paszke、Sam Gross、Francisco Massa、Adam Lerer、James Bradbury、Gregory Chanan、Trevor Killeen、Zeming Lin、Natalia Gimelshein、Luca Antiga、Alban Desmaison、Andreas K\u00f6pf、Edward Yang、Zachary DeVito、Martin Raison、Alykhan Tejani、Sasank Chilamkurthy、Benoit Steiner、Lu Fang、Junjie Bai和Soumith Chintala。2019.PyTorch：一个命令式、高性能的深度学习库。神经信息处理系统进展。8024\u20138035.“}，{”key“：”e_1_3_1_50_2“，”doi-asserted-by“：”crossref“，”unstructured“：”Tran Minh Quan David Grant Colburn Hildebrand and and Won-Ki Jeong.2021。FusionNet：连接组学中用于图像分割的深度全剩余卷积神经网络。计算机科学前沿。3（2021）613981.“，”DOI“：”10.3389\/fcomp.2021.613981“}，{”key“：”e_1_3_1_51_2“，”article-title“：”Yolov3:增量改进“，”author“：”Redmon Joseph“，”year“：”2018“，”unstructured“：”Joseph Redmon and Ali Farhadi.2018“。Yolov3:渐进式改进。arXiv:1804.02767。检索自https:\/\/arxiv.org\/abs\/1804.02767“，”journal-title“：”arxiv:1804.02777“}，{“key”：“e_1_3_1_52_2”，“first-page”：“234”，“volume-title”：“医学图像计算和计算机辅助干预国际会议”，“author”：“Ronneberger Olaf”，“year”：“2015”，“unstructured”：“奥拉夫·伦尼伯格（Olaf Ronneberger）、菲利普·菲舍尔（Philipp Fischer）和托马斯·布洛克斯（Thomas Brox）。2015.U-net：生物医学图像分割的卷积网络。在医学图像计算和计算机辅助干预国际会议上。Springer，234\u2013241.“}，{“key”：“e_1_3_1_53_2”，“volume-title”：“学习表征国际会议论文集”，“author”：“Simonyan Karen”，“year”：“2015”，“unstructured”：“Karen Simonian and Andrew Zisserman。2015。用于大规模图像识别的深度卷积网络。《学习表征国际会议论文集》，1\u201314.“}，{“key”：“e_1_3_1_54_2”，“首页”：“1”，“volume-title”：“IEEE计算机视觉和模式识别会议论文集”，“author”：“Szegedy Christian”，“year”：“2015”，“unstructured”：“Christian Szegedy、Wei Liu、Yangqing Jia、Pierre Sermanet、Scott Reed、Dragomir Angelov、Dumitru Erhan、Vincent Vanhoucke和Andrew Rabinovich。2015年，深入卷积。IEEE计算机视觉和模式识别会议论文集。1\u20139.“}，{“key”：“e_1_3_1_55_2”，“volume-title”：“ncnn”，“year”：“2021”，“unstructured”：“腾讯2021”。ncnn。2021年2月27日检索自https://github.com/Tencent//ncnn“}，{”key“：”e_1_3_1_56_2“，”first page“：“1”，”volume-title“：”Proceedings of the International Conference for High Performance Computing，Networking，Storage and Analysis“，”author“：”Wang Yida“，”year“：”2015“，”unstructured“：”Yida Wang，Michael J.Anderson，Jonathan D。科恩（Cohen）、亚历山大·海内克（Alexander Heinecke）、凯·李（Kai Li）、纳达图尔·萨蒂什（Nadathur Satish）、纳拉亚南·桑达拉姆（Narayanan Sundaram）、尼古拉斯·B·特克·伯恩（Nicholas B.Turk-B。2015.Intel Xeon Phi协处理器上fMRI数据的全相关矩阵分析。高性能计算、网络、存储和分析国际会议论文集。IEEE，1\u201312.“}，{”key“：”e_1_3_1_57_2“，”首页“：”77“，”volume-title“：”代码生成与优化国际研讨会论文集“，”author“：”Weng Jian“，”year“：”2021“，”unstructured“：”Jian Weng，Animesh Jain，Jie Wang，Leyuan Wang，Yida Wang，and Tony Nowatzki。2021。单元：统一张量化指令编译。代码生成和优化国际研讨会论文集。IEEE，77\u201389.“}，{“key”：“e_1_3_1_58_2”，“doi-asserted-by”：“crossref”，“doi”：“10.1137\/1.9781611970364”，“volume-title”：“计算的算术复杂性”，“author”：“Winograd Shmuel”，“year”：“1980”，“unstructured”：“Shmuel Winograd.1980”。计算的算术复杂性。第33卷。暹罗。“}，{”key“：”e_1_3_1_59_2“，”首页“：”53“，”volume-title“：”ACM SIGOPS亚太系统研讨会论文集“，”author“：”Xie Dedong“，”year“：”2022“，”unstructured“：”Dedong Xie，Zhen Jia，Zili Zhang，and Xin Jin.2022。在ARM多核处理器上优化半精度Winograd卷积。ACM SIGOPS亚太系统研讨会论文集。53\u201360.”}，｛“key”：“e_1_3_1_60_2”，“首页”：“32”，“卷标题”：“ACM SIGPLAN并行编程原理与实践研讨会论文集”，“作者”：“Yan Da”，“年份”：“2020”，“非结构化”：“Da Yan，Wei Wang，and Xiaowen Chu.2020。在GPU上优化批处理winograd卷积。在ACM SIGPLAN并行编程原理与实践研讨会的会议记录中。32\u201344.“}，{”key“：”e_1_3_1_61_2“，”doi-asserted-by“：”crossref“，”first page“：“1209”，”doi“：”10.1145\/312366.3129393“，”volume-title“：”Proceedings of the International Conference on Multimedia“，”author“：”Yang Haojin“，”year“：”2017“，”unstructured“：”Haojin-Yang，Martin Fritzsche，Christian Bartz，and Christoph Meinel.2017。Bmxnet：基于mxnet的开源二进制神经网络实现。在国际多媒体会议记录中。1209\u20131212.“}，{“key”：“e_1_3_1_62_2”，“首页”：“1780”，“卷标”：“IEEE多媒体与博览会国际会议论文集”，“作者”：“姚义乌”，“年份”：“2019”，“非结构化”：“耀义乌、董斌、李宇科、杨伟强、朱浩琦。2019。具有端到端完整数据流的卷积神经网络的高效实现。IEEE多媒体和博览会国际会议论文集。1780\u20131785.“}，{”key“：”e_1_3_1_63_2“，”unstructured“：”浙卫瑶镇董章成郑阿米尔·戈拉米·佳丽于埃里克·谭乐源·王启景·黄义达·王迈克尔·马奥尼等人\u00a0al.2021。HAWQ-V3：二进神经网络量化。在机器学习国际会议上。PMLR 11875\u201311886.“｝，｛”key“：”e_1_3_1_64_2“，”doi asserted by“：”crossref“，”首页“：”414“，”doi“：”10.1145\\3330345.3330382“，”卷标题“：”国际超级计算大会论文集“，”作者“：”兹拉特斯基-亚历山大“，”年份“：”2019“，”非结构化“：”亚历山大·兹拉特斯基、贾震、李凯和弗雷多·杜兰德2019。现代CPU上高效FFT和winograd卷积的剖析。在超级计算国际会议记录中。414\u2013424.“}]，”container-title“：[”ACM Transactions on Architecture and Code Optimization“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3632956“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]“deposed”：{“date-parts”：[2024,1,19]]，“日期时间”：“2024-01-19T12:41:43Z“，”timestamp“：1705668103000}，”score“：1，”resource“：{”primary“：{”URL“：”https:\/\/dl.acm.org\/doi\/10.1145\/3632956“}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2024,19]]}，‘references-count’：63，‘journal-sissue’：{‘issue'：‘1’，‘published-print’：日期部分“：[[2024,3,31]]}}，”alternative-id“：[”10.1145\/3632956“]，”URL“：”http:\/\/dx.doi.org\/10.1145\/3632956“，”关系“：{}，”ISSN“：[”1544-3566“，”1544-3973“]，”ISSN-type“：[{”值“：”1544-2566“，”类型“：”打印“}，{”价值“：”544-3973 4“，”order“：0，”name“：”received“，”label“：”received“，“group”：{“name”：“publication_history”，“label”：“publication history”}}，{“value”：“2023-10-30”，“order”：1，“name”：“accepted”，“table”：“accepted（接受）”，“group”：{“name”:“publication_历史”，“标签”：“publication history（发布历史）}}}