[论文笔记] ShuffleNet

最新推荐文章于 2024-03-22 23:54:18 发布
最新推荐文章于 2024-03-22 23:54:18 发布
阅读量1.2k 收藏 2
点赞数
分类专栏： 论文笔记
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/qq_26020233/article/details/83626593
版权

作者团队：旷厂
时间：2017年12月
贡献：两个新操作，pointwise group convolution 和 channel shuffle。优于MobileNet

一、Introduction

Xception、ResNeXt在非常小的网络上效率很低，主要是因为dense 1 × 1 1\times1 1×1 convolution 计算量较大。

在MobileNet中分析过，depthwise seperable convolution 分为depthwise conv 和pointwise conv ，其中depthwise conv计算量为 D K ⋅ D K ⋅ M ⋅ D F ⋅ D F D_K\cdot{D_K}\cdot{M}\cdot{D_F}\cdot{D_F} DK​⋅DK​⋅

最低0.47元/天 解锁文章
hellopipu
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ShuffleNet算法详解
AI之路
07-14 7万+
论文：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices 论文链接：https://arxiv.org/abs/1707.01083算法详解： ShuffleNet是Face++的一篇关于降低深度网络计算量的论文，号称是可以在移动设备上运行的深度网络。这篇文章可以和MobileNet
论文阅读笔记：ShuffleNet
热门推荐
loki2018的博客
04-10 1万+
背景 由于深度学习模型结构越来越复杂，参数量也越来越大，需要大量的算力去做模型的训练和推理。然而随着移动设备的普及，将深度学习模型部署于计算资源有限基于ARM的移动设备成为了研究的热点。 ShuffleNet[1]是一种专门为计算资源有限的设备设计的神经网络结构，主要采用了pointwise group convolution 和 channel shuffle两种技术，在保留了模型精度的同时极大减少了计算开销。 [1]Zhang X, Zhou X, Lin M, et al. Shufflenet:
【深度学习经典网络架构—9】：ShuffleNet系列（V1、V2）
王乐予的博客
03-25 4195
一、简述 在学术界，大多围绕着如何提高视觉任务的SOTA进行研究，但在工业界，一个良好的模型如何移植到计算能力不足的移动设备上才是重点考虑的问题。 ShuffleNet是由旷视研究院于2018年发表在CVPR上的一篇文章。AI四小龙之一的旷视，多次在顶级会议（如CVPR、ECCV、ICCV）上发表文章。ShuffleNet的第一作者 Xiangyu Zhang 张祥雨 也是里程碑式神经网络ResNet的作者！ 在ShuffleNet中，作者使用了两个操作，分别是==逐点组卷积（pointwise gro
ShuffleNet模型详解
最新发布
m0_62919535的博客
03-22 1144
ShuffleNet 是专门为计算能力非常有限的移动设备设计的。架构采用了逐点分组卷积和通道shuffle两种新的运算，在保持精度的同时大大降低了计算成本。ShuffleNet 比 MobileNet 在 ImageNet 分类任务上的 top-1误差更低 (绝对7.8%) ，在基于arm的移动设备上，ShuffleNet比AlexNet实现了约13倍的实际加速，同时保持了相当的准确性。
【论文学习】ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices
斯丢劈德的博客
03-02 2111
原文链接：https://arxiv.org/abs/1707.01083 1. Abstract 作者介绍了一种运算极其高效的CNN架构，ShuffleNet。ShuffleNet主要应用在计算能力有限的移动设备上（如10-150MFLOPs）。ShuffleNet主要采用两种新的操作：逐点组卷积（pointwise group convolution）和通道重组（channel shu...
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices--Xiangyu Zhang
xu.hyj
09-11 1246
要解决的问题：深度可分离卷积等使用1x1卷积的方法能大大降低计算量，但是1x1卷积如下图左，也需要大量的计算，而且一般会大量使用到1x1卷积，所以如果能改善1x1卷积的计算量问题，就可以进一步提高轻量化。 解决方式：对于1x1卷积使用分组卷积实现，如上图右所示，这样就能够大大降低计算量。但是这也有一个缺点，就是分组后只能在组内卷积交流，比如红绿黄三个分组，组间没有信息交流，这回降低网络表征能力。所以本文提出一个新的操作通道混洗（Channel Shuffle）：将每个组再次分组并分别
AlexNet论文笔记总结
04-09
AlexNet的论文笔记总结，比阅读原文要简单一些，加入了自己的思考
FCN论文笔记.docx
02-02
讲解FCN论文，希望能够对大家有帮助。如果有错误，大家可以随时联系我。我一定虚心改正，希望能够和大家一起努力学习知识。
论文笔记模板——自用xmind模板
03-08
为了看论文时更有条理，并且沉淀的东西更多更有用，我总结了一个自用的【论文笔记整理模板】，以xmind格式呈现
2020-2021对偶学习论文笔记
07-19
2020-2021对偶学习论文笔记
轻量级神经网络——shuffleNet
秃头小苏的博客
02-28 1万+
文章目录轻量级神经网络——shuffleNetshuffleNet1逐点分组卷积(Pointwise group convolution)✨✨✨通道重排(channel shuffle)✨✨✨shuffleNet Unit✨✨✨shuffleNet1的网络结果和效果 轻量级神经网络——shuffleNet shuffleNet1   在之前，已经讨论过一种轻量级神经网络——MobileNet，文中对MobileNet的三个版本都做了详细的介绍，读此篇之前，建议先了解MobileNet，特别是要对其中的深度可
轻量化网络结构——ShuffleNet
小花生的博客
01-16 1882
论文：《ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices》—Face++ 1.shuffle具体来说是channel shuffle，是将各部分的feature map的channel进行有序的打乱，构成新的feature map，以解决group convolution带来的[信息流通不畅]的问题。（MobileNet是用pointwise convolution解决这个问题。） 因此可知
轻量级网络--ShuffleNet论文解读
qq_38156104的博客
07-21 1561
摘要 论文介绍一个效率极高的CNN架构ShuffleNet，专门应用于计算力受限的移动设备。新的架构利用两个操作：逐点群卷积(pointwise group convolution)和通道混洗(channel shuffle),与现有先进模型相比在类似的精度下大大降低计算量。在ImageNet和MS COCO上ShuffleNet表现出比其他先进模型的优越性能。 Introduction 现许多CNNs模型的发展方向是更大更深，这让深度网络模型难以运行在移动设备上，针对这一问题，许多工作的重点放在对现
【深度学习】(5) ShuffleNetV2 代码复现，网络解析，附pytorch完整代码
博观而约取，厚积而薄发
12-15 5043
在同等复杂度的情况下，ShuffleNetV2 要比 ShuffleNetV1 和 MobileNetV1 更加准确。这个网络的优势在于：（1）作为轻量级的卷积神经网络，ShuffleNetV2 相比其他轻量级模型速度稍快，准确率也更高；（2）轻量级不仅体现在速度上，还大大地减少了模型的参数量，并且通过设定每个单元的通道数便可以灵活地调整模型的复杂度。
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices的理解
I AM BACK
07-14 9002
前沿 加速方法 Channel Shuffle for Group Convolutions ShuffleNet单元 网络结构 实验对比 Github实现前沿随着近几年AI算法爆发式的发展，越来越多的运用场景出现了。为了让更多的算法落地，如何做移动端的模型加速和模型压缩成了近期的一个热点。比如前一段做参数量化的BinaryNet、Google出的GoogleNet，到现在Face++出的Shuff
ShuffleNetV2网络结构图及实现
Mars_WH的专栏
01-16 6198
具体实现参考GitHub：https://github.com/opconty/keras-shufflenetV2
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices
seniusen的博客
12-16 382
1. 摘要 作者介绍了一种计算非常高效的 CNN 结构称之为 ShuffleNet，它是专门为计算资源非常有限的移动设备设计的。 这种新的结构主要用到了两种操作：分组点卷积（pointwise group convolution ）和通道打乱（channel shuffle），这可以极大降低计算代价同时保持模型的准确率。 2. 介绍和相关工作 经典的 Xception 和 ResNeXt ...
卷积拆分与分组卷积的典型代表网络的总结
YOULANSHENGMENG的博客
11-05 4178
1，卷积常规参数计算 2 ，什么是卷积拆分 一个多通道的普通2D卷积包含了三个维度，分别是通道，长，宽，如下图(a)。 然后将这个卷积的步骤分解为3个独立的方向[1]，即通道方向，X方向和Y方向，如上图(b)，则具有更低的计算量和参数量。 假如X是卷积核宽度，Y是卷积核高度，C是输入通道数，如果是正常的卷积，那么输出一个通道，需要的参数量是XYC，经过上图的分解后，参数量变为X+Y+C，一般来说C>>X和Y，所以分解后的参数对比之前的参数约为1/(XY...
旷世轻量化网络ShuffulNetV2学习笔记
charles_zhang_的博客
06-24 702
ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design目前，神经网络体系结构的设计主要由计算复杂性的间接度量来指导，即FLOPs.。然而，速度等直接指标也取决于其他因素，如内存访问成本和平台特性。因此，这项工作建议评估目标平台上的直接度量，而不仅仅是考虑FLOPs.。基于一系列的控制实验，这项工作得出了一些有效网络设计的实用指南。因此，提出了一种新的体系结构，称为ShuffleNet V2。......
vscode 笔记本
09-10
对于VSCode作为一个轻量级的代码编辑器，它确实可以用作笔记本来记录和管理你的笔记。VSCode提供了一些有用的功能，使其成为一个很好的笔记本工具： 1. 编辑器功能：VSCode具有强大的代码编辑功能，包括语法高亮、...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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