MIL
Deep Learning models Compression and Optimisation Team
Helping large L&D centres to
Требуемые для моделирования вычислительные ресурсы
Снижение числа параметров или квантование параметров моделей глубокого обучения приводит к снижению требований к производительности устройств
Объема памяти, необходимый для хранения моделей
Методы компрессии моделей глубокого обучения приводят к снижению объемов потребляемой памяти при хранении моделей на устройствах
Потребляемая оперативная память при использовании моделей
При оптимизации параметров моделей глубокого обучения снижаются требования к объему занимаемой оперативной памяти в процессе применения моделей
Подготовка моделей к импорту на устройство
Для импорта моделей на устройства, чувствительные к объемам потребляемых ресурсов необходимо убедиться в оптимальности их использования
ДОСТИЖЕНИЯ КОМАНДЫ
Познакомиться с нашей командой и результатами исследований на лекциях и вебинарах:
- Models optimisation techniques
- Методы компрессии нейронных сетей
- Квантизация нейронных сетей
Запланирован митап в сингапуре в ноябре на тему оптимизации моделей.
Посмотреть вебинар
Завершили исследовательский проект с ETH, Zurich: PyNet, HRNet architectures pruning. В процессе работы по темам: Modified LSQ; Overview of One-shot-NAS; Correlation of the ranking metric value and the accuracy of the obtained by NAS architecture.
Результаты в презентациях по темам:
- Filter-level pruning
- Quantisation experiments
Стать частью научной группы
OUR VISION
Универсальная библиотека методов компрессии моделей глубокого обучения для сложных сценариев ускорит реализацию проектов в разы
Оптимизация моделей позволяет сократить время разработки и ее стоимость
Оптимизация моделей применяется в использовании State-of-the-Art моделей с большим числом параметров на устройствах с различными техническими ограничениями: память, оперативная память, тип процессора и т.п. Решаются задачи ускорения работы моделей и уменьшения энергозатрат при их использовании.
Оптимизация разработки моделей приводит к сокращению времени и числа ресурсов, необходимых для разработки новых моделей, увеличению числа проверяемых гипотез, которые влияют на создаваемую модель или которые могут привести к росту ее качества.
ПОСТАНОВКИ РЕШАЕМЫХ ЗАДАЧ
ТЕМАТИЧЕСКИЕ КЕЙСЫ
ПРОФИЛЬ КОМАНДЫ
Состав команды
Team Lead, 5+ years of experience
2 ML Researcher, 3+ years of experience
2 ML Engineer, 3+ years of experience
3 ML Researcher, 2+ years of experience
Опыт команды
Management: R&D process, people management, full project pipeline
Projects: Audio denoising, IMU signal (indoor navigation with NNs), Computer vision (SISR, VSR, demosaic, detection, segmentation, classification, document recognition), Neural model optimization (One-Shot-NAS, pruning, quantization)
Используемые инструменты
Pytorch, Tensor Flow, Python 3, Git, C++, Wandb
Заказать проект
Для начала проекта нам нужно поговорить. Достаточно заполнить поля ниже, и мы свяжемся с Вами.
Заказать проект просто
Для начала работы нам нужно поговорить. Достаточно рассказать о проекте и указать контакты. Мы свяжемся с вами, что бы всё обсудить.