1.分组卷积
设计动机:GPU显存不足,需要双卡同时训练及推断
原理:将卷积核分为两组,分别在两张GPU上进行处理,最后再使用全连接层对两组卷积得到的特征进行整合(混洗)
优点:双卡分担计算量,且总计算量减少一半。
缺点:无法方便地使用预训练模型,且由于两组特征之间的信息没有交互,效果会变差。过量分组会增加MAC。
shufflenet增加了通道混洗结构,增强特征通信,但如果在多卡上分别进行组卷积,则对显卡之间的通信速度要求较高。
2.深度可分离卷积
一种极致分组的分组卷积,混洗方式为1*1卷积。
不适合在多卡推断中使用,对显卡之间的通信速度要求较高。
增加网络宽度(inception)
因为宽度上的增加可以利用并行计算来减少耗时,所以可以设计多路网络将任务分担给多个计算设备上。