ShuffleNet v1 自学笔记

最新推荐文章于 2024-11-04 22:26:34 发布
最新推荐文章于 2024-11-04 22:26:34 发布
阅读量1.2k 收藏 1
点赞数
文章标签： python 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_54146002/article/details/122589645
版权

        从图上可以看出 ShuffleNet v1在精度上较MobileNet有了不小的提升

        使用组卷积能够减少参数的计算量，但是问题是各组之间没有信息交互。上图a所示每个颜色代表一个组。为了解决这个问题，作者提出了channel shuffle的思想，如上图b所示假设我们采用三个组，那么对每个组再分成三份将他们重新组合。

        作者提到，在resnet中，1*1的卷积的计算量占到了93.4%。所以作者将所有的 1*1卷积换成了组卷积。

         b图是针对步距为1的情况，c图是针对步距为2的情况。

        作者给出的FLOPs的计算。组卷积的理论计算量是普通卷积的\frac{1}{g}（g为组数）。

总结：

ShuffleNet v1就是将1*1卷积换成了组卷积，然后加入了channel shuffle的模块

我爱吃柠檬i
关注
shuffleNet v1 v2笔记——总结（重点）
Fighting Hua
09-03 385
前言 在ResNeXt[3]的文章中，分组卷积作为传统卷积核深度可分离卷积的一种折中方案被采用。这时大量的对于整个Feature Map的Pointwise卷积成为了ResNeXt的性能瓶颈。一种更高效的策略是在组内进行Pointwise卷积，但是这种组内Pointwise卷积的形式不利于通道之间的信息流通，为了解决这个问题，ShuffleNet v1中提出了通道洗牌（channel shuffle）操作。 在ShuffleNet v2的文章中作者指出现在普遍采用的FLOPs评估模型性能是非常不合理的，因为
图像分类模型：ShuffleNet V1阅读笔记
DU_YULIN的博客
10-10 776
文章目录前言摘要（Abstract）1. 介绍（Introduction)2. 相关工作（Related Work)3. 方法（Approach)3.1 关于分组卷积的通道重组（Channel Shuffle for Group Convolutions)总结 前言 又是一个周末，前几周复习了轻量级分类模型-MobileNet系列，今天开始复习下另一类轻量级分类模型-ShuffleNet系列，至于说是复习，那是因为老早之前就已经看过了，本着复习的态度来重新学习。 论文标题：ShuffleNet: An E
【轻量化网络系列（4）】ShuffleNetV1论文超详细解读（翻译 ＋学习笔记+代码实现）
路人贾的博客
05-27 5336
ShuffleNetV1论文《ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices》翻译＋超详细精读，包含代码实现
【ShuffleNetV1论文精读】
m0_52597077的博客
09-16 1819
有些很好的论文我认为是旧瓶装新酒，一些很早以前就有的概念，我们拿来解决新的问题，发现他是可行的，是新work，这是人工智能一个技术迭代螺旋上升的一个路径。有些技术是别人已经想到过的，但是你发现它可以用来解决新问题，这就是一种创新。我们介绍了一种名为ShuffleNet的计算效率极高的CNN架构，该架构专为计算能力非常有限的移动的设备设计（例如，10- 150MFLOP）。新的架构利用两个新的操作，逐点组卷积和信道混洗，以大大降低计算成本，同时保持准确性。
ShuffleNet网络学习笔记
RayChiu757374816的博客
04-03 1200
简单记录一下ShuffleNet学习笔记
第八课：ShuffleNet v1、ShuffleNet v2学习
qq_45825952的博客
09-27 761
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。来源于哔哩哔哩博主“霹雳吧啦Wz”，博主学习作为笔记记录，欢迎大家一起讨论学习交流。
论文笔记：ShuffleNet v1
hongbin_xu的博客
11-20 1520
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices ShuffleNet v1 1、四个问题 要解决什么问题？ 为算力有限的嵌入式场景下专门设计一个高效的神经网络架构。 用了什么方法解决？ 使用了两个新的操作：pointwise group convolution（组卷积）和...
轻量化网络ShuffleNet V1
m0_52597077的博客
07-30 261
有些很好的论文我认为是旧瓶装新酒，一些很早以前就有的概念，我们拿来解决新的问题，发现他是可行的，是新work，这是人工智能一个技术迭代螺旋上升的一个路径。有些技术是别人已经想到过的，但是你发现它可以用来解决新问题，这就是一种创新。我们介绍了一种名为ShuffleNet的计算效率极高的CNN架构，该架构专为计算能力非常有限的移动的设备设计（例如，10- 150MFLOP）。新的架构利用两个新的操作，逐点组卷积和信道混洗，以大大降低计算成本，同时保持准确性。
《深度学习：算法到实战》【第四周】MobileNet V1&V2&V3与ShuffleNet V1与SENet笔记
sunrise_129075的博客
02-08 958
传统的CNN内存消耗大，运算量复杂，无法在各种移动端设备和嵌入式设备运行。MobileNet是为了移动端和嵌入式设备存在的轻量级CNN，与VGG相比它的准确率只下降了0.9%，参数却只有VGG的321​，它的网络结构如下。文中主要是通过Depthwise Convolution（）以及Pointwise Conv（）减少计算量，理论上说，普通卷积的计算量是DW+PW的9倍。DW卷积是在每个channel进行的，PW卷积可以看作使用1∗1的普通卷积将输出的特征图修改成你想要的channel。
ShuffleNet系列网络学习笔记
prague6695的博客
03-08 738
系列文章目录 文章目录系列文章目录前言一、ShuffleNet1. ShuffleNet V12. ShuffleNet V2二、使用步骤总结 前言 又是针对图像分类网络进行一个记录 一、ShuffleNet 1. ShuffleNet V1 ShuffleNet系列网络也是轻量级网络 GConv（组卷积）虽然能都减少参数和计算量，但是GConv中不同的组没有之间信息没有交流，因此基于这个观点ShuffleNet V1将组卷积之间重新分组然后顺序排列。如下图所示 下图是在残差网络块中添加了DW卷积中
『CV学习笔记』轻量化卷积神经网络MobileNet从V1到V3
AI新视界
12-08 1277
相对重量级网络而言，轻量级网络的特点是参数少、计算量小、推理时间短。更适用于存储空间和功耗受限的场景，例如移动端嵌入式设备等边缘计算设备。因此轻量级网络受到了广泛的关注，其中MobileNet可谓是其中的佼佼者。MobileNetV3经过了V1和V2前两代的积累，性能和速度都表现优异，受到学术界和工业界的追捧，无疑是轻量级网络的“抗把子“。
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
热门推荐
Morganfs的博客
04-12 10万+
深度学习笔记——CNN卷积神经网络理论篇。主要包括CNN的概念、基本原理、类型综述。算是比较完善的一篇文章了。
深度学习在图像处理中的应用学习笔记
kushe123的博客
11-20 1122
这篇学习笔记用于记录本人在读研期间的学习内容在刚入学不久，发现一个B站up主对这方面进行了一系列的整理+总结，并上传了代码，并且非常成体系，因此本人打算跟着这位up主的步骤，对这方面进行学习并且做一个记录，同时也会写下自己一些心得，后续也会不断的更新博客内容，打算这里放链接，编辑的内容放在博客园。
自助餐剩余食品识别图像分割系统：教学内容全覆盖
sgcsdn99的博客
11-04 884
数据集信息展示在本研究中，我们使用的数据集名为“9_5_Merged”，该数据集专门用于训练改进YOLOv8-seg的自助餐剩余食品识别图像分割系统。该数据集包含71个类别，涵盖了丰富多样的食品种类，旨在提高模型对不同类型剩余食品的识别和分割能力。通过对这些类别的细致划分，我们希望能够实现更高精度的图像分割，进而优化自助餐剩余食品的管理和利用。
Day21包和模块
weixin_50199478的博客
10-30 628
一个.py文件就是一个模块。模块是含有一系列数据、函数、类等的程序。包是将模块以文件夹的组织形式进行分组管理的方法，以便更好地组织和管理相关模块。包是一个包含一个特殊的__init__.py文件的目录。
Python 类和对象
疯一样的码农
11-04 566
在 Python 中，类是一个对象创建的蓝图。它指定了对象（实例）将具有的属性和方法的集合。类通过封装数据和行为，促进了代码的组织、复用和模块化。使用类可以建模现实世界中的对象，定义其属性，并更有效地控制应用程序的复杂性。在 Python 中，一切都是对象，所有的数据类型和结构都是特定类的实例。对象是类的实例，具有用于修改数据的方法和存储数据的属性。理解对象对于掌握 Python 中的面向对象编程（OOP）范式至关重要。
探索 Python 的新天地：Helium 库揭秘
AIGC搞起
11-04 578
在自动化测试和网页交互的领域，Selenium 是一个强大的工具，但它的复杂性和陡峭的学习曲线让许多开发者望而却步。Helium库的出现，以其简洁的 API 和易用性，为 Python 开发者提供了一个新的选择。它不仅简化了 Selenium 的使用，还自带 WebDriver，减少了配置的复杂性。Helium 以其简洁的 API 和易用性，为 Python 开发者提供了一个强大的 Selenium 替代方案。它不仅减少了代码量，还简化了 WebDriver 的管理，使得自动化测试和网页交互变得更加容易。
Python中的模块
piziliul的博客
11-04 167
创建introduce.py模块文件。创建my_info.py模块文件。
【Java知识】Java基础-对象排序的实现
最新发布
wendao76的专栏
11-04 127
方法，并且需要提供一个比较器（Comparator）来定义对象的排序逻辑。这些示例展示了如何在Java中对对象进行排序，无论是使用列表还是数组，都可以灵活地使用比较器来定义排序规则。在Java中，对象的排序通常涉及到使用。
ShuffleNet V1
10-10
ShuffleNet V1 是一种轻量级的神经网络模型，用于图像分类任务。它在2017年由CSDN开发并发布。ShuffleNet V1 的设计目的是在保持较高准确率的同时，降低模型的计算复杂度和参数量。 ShuffleNet V1 的核心思想是通过...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值