文章讨论了衡量模型运算复杂度的多个因素，包括推理速度、FLOPs、MACs以及并行等级。特别指出，1x1卷积层的使用对内存消耗有直接影响，而网络的分支程度（串联和并联）会影响GPU和CPU的速度。提出将输入和输出特征矩阵的channel分半来优化效率，尤其在stage的第一个block中，channel会翻倍。
1.模型的复杂度
衡量模型运算复杂度的直接指标是推理速度，flops只是一个间接指标，mac，并行等级等也有影响。此外，在不同平台上消耗时间也是不同的
2.设计高效模型的建议
这里针对的是1*1的卷积层
hwc1是输入特征矩阵的内存消耗，hwc2是输出特特征矩阵的内存消耗，
c1*c2是卷积核的内存消耗
这里的网络碎片化程度可以理解为分支程度（串联和并联都可以理解为分支）
这里gpu速度一定会变慢，但cpu反可能变快
总结
v2
将出入特征矩阵的channel划分为两部分(一半一半)
对于每个stage的第一个block而言，他的channel是要翻倍的
扫一扫
1255
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
