Backto DeepCV
CNN 在CV领域大放异彩,但是网络层数不断增加,模型体积越来越大,引出了实用中的效率问题。效率问题主要是模型的存储问题和模型进行预测的速度问题(以下简称速度问题)
- 第一,存储问题。数百层网络有着大量的权值参数,保存大量权值参数对设备的内存要求很高;
- 第二,速度问题。在实际应用中,往往是毫秒级别,为了达到实际应用标准,要么提高处理器性能(看英特尔的提高速度就知道了,这点暂时不指望),要么就减少计算量。
对于效率问题,通常的方法是进行模型压缩(Model Compression),即在已经训练好的模型上进行压缩,使得网络携带更少的网络参数,从而解决内存问题,同时可以解决速度问题。
相比于在已经训练好的模型上进行处理,轻量化模型模型设计则是另辟蹊径。轻量化模型设计主要思想在于设计更高效的「网络计算方式」(主要针对卷积方式),从而使网络参数减少的同时,不损失网络性能。
当前主流的轻量化模型有 SqueezeNet
, MobileNet
, ShuffleNet
和 Xception
。