归纳
本文通过对之前轻量化的弊端进行分析,提出了shufflenet,该网络最大化了分组点卷积的作用,并提出通道重排来提高进行通道间的信息交流。节约了算力成本
论文
学习目标:
分组点卷积过程,优势
通道重排方式
改进版本的创新及性能、
研究背景:
1、动机
更深更大的CNN消耗极大算力消耗量
有点的算力支撑条件下也需要提升准确率
现有方法:
模型压缩
直接涉及小型网络
本文方法;
分组点卷积、通道重排
创新:
1、分组点卷积
在卷积中卷积核的通道数就是输入特征的通道数、
所以输入特征的通道数=卷积核通道数
卷积核的个数就是输出通道的特征数
所以输出特征的通道数=卷积核个数
2、通道重排
3、shufflenet
分组卷积
点卷积
改进版本:
v1版本提出了4个发现
x1、x2 x4:是输入输出通道在原来基础上提高多少倍
batches除以sec:每秒处理的batch数
v2版本做了改进
series分支
parallel并行
实验结果对比
改进后的基本结构进行对比
总结:
关键点:
1、卷积方法创新
分组卷积、点卷积、分组点卷积、可变形卷积
2、各类神经网络架构创新
创新点:
1、分组点卷积
2、通道重排构建shufflenet unit,构建轻量级网络shuffnenet,实现大小和精度的平衡
启发点:
1、创新卷积方式
减少算里消耗
加快速度
2、实现通道的信息关联
还能如何进行交换,联系?
3、实现特征融合的方式
add:关注元素
cat:关注维度
可否都兼顾到呢??
注:
秒浮点运算次数(亦称每秒峰值速度)是每秒所执行的浮点运算次数(英语:Floating-point operations per second;缩写:FLOPS)的简称,被用来估算电脑效能,尤其是在使用到大量浮点运算的科学计算领域中。因为FLOPS字尾的那个S代表秒,而不是复数,所以不能够省略。
一个MFLOPS(megaFLOPS)等于每秒一百万(106)次的浮点运算;
一个GFLOPS(gigaFLOPS)等于每秒十亿/十亿(109)次的浮点运算;
一个TFLOPS(teraFLOPS)等于每秒一兆/一万亿(1012)次的浮点运算;
一个PFLOPS(petaFLOPS)等于每秒一千兆/一千万亿(1015)次的浮点运算;
一个EFLOPS(exaFLOPS)等于每秒一百京/一百亿亿(1018)次的浮点运算。
这部分参考:https://www.cnblogs.com/zafu/p/11414202.html