Compressing Deep Convolutional Networks using Vector Quantization

• 类型：arxiv
• 标识：1412.6115
• 链接：https://arxiv.org/abs/1412.6115
• 主题：database
• 主分类：llm-infra
• 形态：method
• 被引：1235
• 被引来源：Semantic Scholar
• S2被引：1235
• OpenAlex被引：1019
• 影响力被引：46
• TLDR：This paper is able to achieve 16-24 times compression of the network with only 1% loss of classification accuracy using the state-of-the-art CNN, and finds in terms of compressing the most storage demanding dense connected layers, vector quantization methods have a clear gain over existing matrix factorization methods.
• OpenAlex ID：W1724438581
• OpenAlex DOI：10.48550/arxiv.1412.6115
• DOI：10.48550/arxiv.1412.6115
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1412.6115
• OpenAlex更新：2026-08-19
• 待LLM分类：否
• 标题中文：使用向量量化压缩深度卷积网络
• TLDR中文：本文在使用 SOTA CNN 的情况下，实现了 16–24 倍的网络压缩，仅带来 1% 的分类准确率损失，并发现针对存储开销最大的全连接层进行压缩时，向量量化方法相比现有矩阵分解方法具有明显优势。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]