Awesome-Model-Quantization
Une liste de documents, docs, codes sur la quantification des modèles. Ce dépôt vise à fournir des informations pour la recherche sur la quantification des modèles, nous améliorons continuellement le projet. Bienvenue pour PR les travaux (documents, dépôts) qui manquent au dépôt.
Explorez une collection de publications de recherche et de ressources axées sur l'amélioration de l'efficacité des modèles par la quantification.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentUne liste de documents, docs, codes sur la quantification des modèles. Ce dépôt vise à fournir des informations pour la recherche sur la quantification des modèles, nous améliorons continuellement le projet. Bienvenue pour PR les travaux (documents, dépôts) qui manquent au dépôt.
Awesome-Model-Quantization compte 2.4k étoiles sur GitHub. Il a été forké 242 fois. Il est développé activement depuis 2018. Ses principaux thèmes sont : awesome, binarized-neural-networks, binary-network, deep-learning.
Qu'est-ce que Awesome-Model-Quantization ?
Une liste de documents, docs, codes sur la quantification des modèles. Ce dépôt vise à fournir des informations pour la recherche sur la quantification des modèles, nous améliorons continuellement le projet. Bienvenue pour PR les travaux (documents, dépôts) qui manquent au dépôt.
Awesome-Model-Quantization est-il open source ?
Awesome-Model-Quantization est un projet open source.
Awesome-Model-Quantization est-il gratuit ?
Oui. Awesome-Model-Quantization est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://opensourceai.tech/project/ai-efficiency-awesome-model-quantization.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.