ShiftAddAug: 用混合计算对无乘法小型神经网络进行增强

ShiftAddNAS模型搜索算法旨在通过经济高效的操作符优化神经网络，提升混合神经网络的准确性和效率。

ShiftAddNet使用位移和加法替代传统乘法，结合量化和修剪技术，实现节能高效的深度学习。

研究探讨了多种神经网络架构的优化方法，提升了模型在图像分类和物体检测等任务中的性能。

ShiftAddNet在边缘计算平台上加速模型部署，减少了25%的延迟时间，具有良好的应用前景。

提出的网络增益训练方法通过反向dropout增强微型神经网络性能，改善了图像分类和物体检测任务的效果。

ShiftAndAddLLM通过量化权重矩阵和重新参数化乘法，减少内存使用和延迟，降低了精度损失。

DenseShift神经网络在低比特训练和转移学习方面表现优越，简化推理并提高模型容量。

ShiftAddViT卷积神经网络通过位移和加法实现端到端推理加速，提高了训练和推断效率。

ShiftCNN基于低精度卷积神经网络架构，减少乘积运算，实现显著加速，且准确率下降不到1%。

A&B BNN通过移除乘法运算并用位运算替代，提供了硬件友好的网络架构，实验结果与最先进方法相当。