日前，神经信息处理系统大会（NeurIPS 2019）于12月8日至14日在加拿大温哥华举行，程健研究员率队在本次大会的神经网络压缩与加速竞赛（MicroNet Challenge）中获得双料冠军！
今年的MicroNet Challenge神经网络压缩与加速竞赛由Google、Facebook、OpenAI等机构在NeurIPS2019上共同主办，集结了MIT、KAIST、华盛顿大学、浙大、北航等国内外著名前沿科研院校，同时还吸引了ARM、IBM、高通、Xilinx等国际一流芯片公司的参与。
MicroNet Challenge竞赛包括ImageNet图像分类、CIFAR-100图像分类和WikiText-103语言模型三个子任务，以模型的压缩率和加速比的比拼为主要内容，目的是通过算法达到最优的运算效率，牵引更高效的神经网络处理器架构设计，并最终实现神经网络软、硬件加速的协同设计。程健研究员团队参加了竞争最激烈的ImageNet和CIFAR-100两个子赛道比拼，并最终包揽了图像类的两项冠军。
团队结合极低比特量化技术和稀疏化技术，在ImageNet任务上相比主办方提供的基准模型取得了20.2倍的压缩率和12.5倍的加速比，在CIFAR-100任务上取得了732.6倍的压缩率和356.5倍的加速比，遥遥领先两个任务中的第二名队伍。
团队同时受邀在大会上以“A Comprehensive Study of Network Compression for Image Classification”为主题详细介绍了相关的量化和稀疏化压缩和加速技术。针对比赛任务，团队在报告中给出解决办法：采用量化和稀疏化技术，将深度学习算法模型进行轻量化和计算提速，以大幅降低算法模型对算力、功耗以及内存的需求，让低端设备实现人工智能方案。
团队成员冷聪副研究员表示，量化及稀疏化技术也是人工智能深度学习的软、硬件协同加速方案突破口。通过将其与人工智能硬件架构设计紧密结合，可以进一步降低人工智能技术落地难度，让AI更为易得易用。
|
