Описание промпта
Создайте блок-схему, в основном разделенную на три части. Во-первых, учитывая неравномерное распределение весов и значений активации больших моделей, а также их чувствительность к шуму квантования, исследуйте методы низкобитного сжатия на основе анализа чувствительности второго порядка и неравномерного квантования. Во-вторых, на основе квантованного сжатия, исследуйте, как автоматически оценивать чувствительность параметров различных модулей (слоев/голов/каналов) к конечной функции потерь. Анализируя дисперсию градиента или дифференциальное вычисление, сгенерируйте стратегию конфигурации смешанной точности для целевой модели, достигая вторичного баланса между точностью и скоростью в рамках квантования. Впоследствии, для обеспечения численной надежности оптимизированной модели, исследуйте эффективные методы обнаружения ошибок, подходящие для больших моделей, выполните моделирование распространения и оценку границ численных ошибок, вносимых операциями смешанной точности и квантования, и предоставьте гарантии точности для стратегий оптимизации. Наконец, исследуйте и постройте унифицированный, source-to-source автоматизированный компиляционный фреймворк, интегрирующий вышеуказанные три технологии. Этот фреймворк будет интегрировать вышеуказанные три ключевые технологии, на основе промежуточных представлений, таких как MLIR, для реализации полностью автоматизированного процесса от разбора модели, совместного поиска стратегии оптимизации, анализа ошибок до генерации высокопроизводительного кода для целевого оборудования.
![Научная иллюстрация, изображающая:
```python
import os
import re
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
import torch
from torch.utils.data import Dataset, DataLoader
from tqdm import tqdm
import joblib
import matplotlib.pyplot as plt
# =========================
# Конфигурация
# =========================
class Config:
# ✅ Новая версия: Excel с точками скопления воды (добавлены кумулятивные осадки)
points_xlsx = r'F:\实验数据\CA_积水点融合\深度置信网络\样本输出_final\积水点_整合_step3_研究区内_新增累计降雨_719-723.xlsx'
# Результаты моделирования CA и географические данные
ca_data_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\CA模拟结果'
geo_data_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\地理数据' # building_density.npy, DEM.npy, road_density.npy, Slope.npy, Landuse.npy
# Патч и выборка
patch_size = 64
ca_dry_thr_cm = 1.0 # Порог глубины воды для отрицательных образцов: < 1 см
tile_size = 200 # Размер ячейки пространственно равномерной выборки отрицательных образцов (единица: ячейка сетки)
# Типы one-hot кодирования землепользования (можно настроить в соответствии с вашими фактическими данными)
landuse_types = [7, 8, 10, 50, 60, 80, 100]
# Связанное с обучением
output_dir = r'F:\实验数据\CA_积水点融合\深度置信网络\DBN训练输出_64patch_mu'
```](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FBFJVaELXylgOOK0WatKO6tw6EfizLTx7%2F8a5d501e-e43d-4dfe-b168-5609ff4c3ef1%2F03d366b1-042e-4669-8cfb-aa5952cc4cb1.png&w=3840&q=75)
