![MQL5 - Sprache von Handelsstrategien, eingebaut ins Kundenterminal MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
QONNX: Ein Vorschlag zur Darstellung von quantisierten NNs mit beliebiger Genauigkeit in ONNX
QONNX: Ein Vorschlag zur Darstellung von quantisierten NNs mit beliebiger Genauigkeit in ONNX
Der Redner erörtert die Quantisierung mit niedriger Genauigkeit mit einem Beispiel ihrer Anwendung in der drahtlosen Kommunikation. Sie schlagen QONNX vor, einen Dialekt zur Darstellung von quantisierten neuronalen Netzen mit beliebiger Genauigkeit in ONNX. QONNX vereinfacht die Quantisierungsdarstellung, erweitert sie auf eine breitere Palette von Szenarien und bietet Optionen für verschiedene Arten von Rundungen und binärer Quantisierung. Es wird für den Einsatz auf FPGAs verwendet und ist in die Brevitas-Python-Quantisierungsbibliothek integriert, wobei NQCDQ in die nächste Version integriert werden soll.
GRCon20 – Deep-Learning-Inferenz in GNU Radio mit ONNX
GRCon20 – Deep-Learning-Inferenz in GNU Radio mit ONNX
Das Video erörtert die Verwendung von ONNX als offenes Format zur Integration von Deep Learning als flexible Open-Source-Lösung im Hochfrequenzbereich. Der Referent stellt sein neues Modul GR DNN DN4 vor, das Python-Schnittstellen sowohl für GNU Radio als auch für ONNX verwendet, und demonstriert seine Fähigkeiten anhand eines Beispiels für die automatische Modulationsklassifizierung unter Verwendung eines Deep Convolutional Neural Network-Modells, das mit simulierten Daten trainiert wurde, die von GNU Radio generiert wurden. Sie diskutieren auch die Anforderungen und Herausforderungen bei der Verwendung von Deep Learning für die Klassifizierung von SDR-Daten mit dem BGG16-Modell und schlagen vor, Hardwarebeschleunigung wie eine GPU zu verwenden, um die Inferenz zu verbessern und Echtzeitergebnisse zu erzielen. Das Projekt ist Open Source und die Zusammenarbeit wird gefördert.