深度学习压缩模型精度调研

最新推荐文章于 2023-11-27 00:30:00 发布
最新推荐文章于 2023-11-27 00:30:00 发布
阅读量727 收藏 2
点赞数
分类专栏： S_深度学习 M_模型压缩
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/xu380393916/article/details/103009692
版权

引言

调查整理了一下关于模型精度的数据，该数据主要针对模型压缩领域使用，其他领域可作为一定的参考

文章目录

MNIST

2019

LeNet

在这里插入图片描述

TitleVenueTypeCode
Towards Optimal Structured CNN Pruning via Generative Adversarial LearningCVPRF[github(pytorch)]

在这里插入图片描述

TitleVenueTypeCode
    | [Towards Optimal Structured CNN Pruning via Generative Adversarial Learning](https://arxiv.org/abs/1903.09291) | CVPR | `F` | [github(pytorch)]

CIFIAR10

2019

vgg16

在这里插入图片描述

TitleVenueTypeCode
Rethinking the Value of Network PruningICLRFgithub(pytorch)

在这里插入图片描述

TitleVenueTypeCode
Variational Convolutional Neural Network PruningCVPR--

在这里插入图片描述

TitleVenueTypeCode
Towards Optimal Structured CNN Pruning via Generative Adversarial LearningCVPRF[github(pytorch)]

在这里插入图片描述

TitleVenueTypeCode
Approximated Oracle Filter Pruning for Destructive CNN Width Optimization githubICMLF-

VGG19

在这里插入图片描述

TitleVenueTypeCode
EigenDamage: Structured Pruning in the Kronecker-Factored EigenbasisICMLWgithub

在这里插入图片描述

TitleVenueTypeCode
Rethinking the Value of Network PruningICLRFgithub(pytorch)

Resnet

2019

Resnet全部

在这里插入图片描述

TitleVenueTypeCode
Variational Convolutional Neural Network PruningCVPR--

在这里插入图片描述

TitleVenueTypeCode
Centripetal SGD for Pruning Very Deep Convolutional Networks with Complicated StructureCVPRF[github(tensorflow)]

在这里插入图片描述

TitleVenueTypeCode
Soft Filter Pruning for Accelerating Deep Convolutional Neural NetworksIJCAIFgithub(pytorch)

resnet18

在这里插入图片描述

TitleVenueTypeCode
OICSR: Out-In-Channel Sparsity Regularization for Compact Deep Neural Networks CVPRFgithub(pytorch)

resnet32

在这里插入图片描述

TitleVenueTypeCode
EigenDamage: Structured Pruning in the Kronecker-Factored EigenbasisICMLWgithub

resnet56, resnet110

在这里插入图片描述

TitleVenueTypeCode
Rethinking the Value of Network PruningICLRFgithub(pytorch)

ResNet56，ResNet110

在这里插入图片描述

TitleVenueTypeCode
Towards Optimal Structured CNN Pruning via Generative Adversarial LearningCVPRF[github(pytorch)]

CIFIAR-100

2019

VGG16

在这里插入图片描述

TitleVenueTypeCode
Variational Convolutional Neural Network PruningCVPR--

VGG19

在这里插入图片描述

TitleVenueTypeCode
Rethinking the Value of Network PruningICLRFgithub(pytorch)
JY丫丫
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
深度学习模型压缩技术解析——率先提出端到端量化模型压缩方案
禅与计算机程序设计艺术
09-23 1658
作者：禅与计算机程序设计艺术 1.简介 随着人工智能领域的火热，深度学习在图像识别、文本分析等领域的应用越来越广泛，然而在实际生产环境中，深度学习模型占用大量的计算资源，且运行速度也十分缓慢。因此，如何高效地压缩深度学习模型，降低内存消耗和模型推理时间成为一个重要课题。为了解决这一问题，近年来一些研究机
YOLOv5模型压缩方法：综述
AI浩
08-04 4251
目标检测作为一个基本问题，多年来一直是一个活跃的研究领域。目标检测的主要目标是在给定的图像中从不同类别中识别和定位感兴趣的目标。目标检测是许多其他高级计算机视觉任务的基础[1]，从语义分割[2]到目标跟踪[3]到活动识别[4]。近年来，基于深度学习的方法如卷积神经网络(cnn)在目标检测任务中取得了最先进的性能。由于计算能力和前沿算法的进步，目标检测变得更加准确，从而实现了广泛的现实世界应用。与经典的目标检测方法相比，使用cnn缓解了目标检测中的特征提取、分类和定位问题[5,6,7,8,9,10]。
[deep learning] 模型调研
吉祥街的个人沉淀
07-21 243
Tensorflow VS Pytorch对比 时间2020年3月22日
深度学习模型精度与PyTorch模型量化
关于我的学习记录
12-19 1万+
深度学习模型精度与PyTorch模型量化
深度学习模型量化（低精度推理）大总结
bbbeoy的专栏
07-09 1008
https://blog.csdn.net/zlgahu/article/details/104662203/
深度学习模型压缩方法集合
wangyi4422的博客
09-03 825
1.before 目前深度网络模型压缩方法主要有以下几个方向： 更精细的模型设计：SqueezeNet、MobileNet等 模型裁剪：队训练好的模型找到一种评价手段，剔除不重要的 connections 和 filrers 核稀疏： 训练过程中对权重更新进行诱导，让其稀疏。使用稀疏矩阵在硬件上效果不明显 2.基于核稀疏方法 核的稀疏分为 regular 和 irregular ，reg...
毕设&课程作业_深度学习项目--基于深度卷积网络的肝脏分割.zip
最新发布
01-16
通过这个项目，学生将深入理解深度学习的原理，掌握CNN模型的训练与优化，了解医学图像处理的基本流程，以及如何利用Python和C++进行实际项目开发。此外，还能提升数据分析能力、编程实践能力和问题解决能力。
深度网络学习调研报告
阿黄啦啦
12-10 1万+
深度网络学习调研报告   目  录 1.前言............................................... 3 1.1课题研究的背景及意义.......................... 3 1.2国内外研究的现状.............................. 3 1.3本报告的基本内容.
2024年 毕业设计 机器学习&深度学习实战案例,含有python代码和教程 (7月10日已更新711篇)
sybh的博客
10-05 6163
10月促销价39.9,适合初学python机器学习深度学习的学生,从入门到精通,专栏内含有讲解,每篇文章都含有对应的代码,会持续更新,更新至千篇案例,已经更新六百多个项。
目标检测YOLO实战应用案例100讲-基于改进YOLO深度学习模型的烟支外观质量检测
qq_36130719的博客
11-27 535
烟草行业在我国有着悠久的历史，明朝时期烟草已成为中国重要的农业产品 之一，现今我国仍是全球最大的烟草生产和消费国家。2021年，我国烟草上缴 的税收创历史新高，达到了13581亿元[ 1]，创历史新高，增长了6.08%，占全国 GDP总量的1.187%。卷烟的生产过程涉及烟叶采摘、加工、卷烟制作等多种工 艺，难免会出现不同程度的质量问题。然而，烟支外观缺陷检测是保障产品质量 的重要环节之一。烟支外观的瑕疵如破损、污渍等不但会降低烟支的美观，还可 能会影响烟支的口感和品质。
《Centripetal SGD for Pruning Very Deep Convolutional Networks with Complicated Structure》论文翻译
ZNestor的博客
02-28 949
Centripetal SGD for Pruning Very Deep Convolutional Networks with Complicated Structure解读 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我...
[深度学习]1. 深度学习知识点汇总
weixin_46285081的博客
09-01 3762
本文记录了我在学习深度学习的过程中遇到过的不懂的知识点，为了方便翻阅，故将其发表于此，随时更新，供大家参考。
一分钟看懂深度学习中的准确率（Accuracy）、精度（Precision）、召回率（Recall）和 mAP
程序猿视角
11-23 3万+
1. 真假阳性阴性 我们查体的时候，经常会听说检测结果呈”真阳性“、”假阴性“等说法。 其中”真“、"假"说的是检查结果的对错。”真“意味着检测结果是正确的，"假"意味着检测结果是错误的。 ”阳性“、"阴性"说的是这次的检查结果。阳性，意味检测出了预定的目标。阴性，意味着没查出预定的目标。 一共四种组合： 检测结果 英文术语 含义 真阳性 true positive 正确地检测到阳性结果：即检测结果正确，并且结果呈现阳性 假阳性 false positive 错误地检测到阳性结果：即
CVPR2019论文列表（中英对照）
dovings的博客
07-04 1万+
CVPR论文列表，中英对照
深度学习提高模型准确率方法
热门推荐
weixin_42010722的博客
10-24 5万+
嫌麻烦的：自己做的项目有现成的，就迁移学习 自己数据集单一的，就从数据集入手模型过拟合：就改进模型的超参数，或者正则化，权重衰减，Dropout模型欠拟合：就增加复杂模型，增加epoch模型训练时间过长：批次处理标准化。
闲话模型压缩之网络剪枝（Network Pruning）篇
世事难料，保持低调
09-15 4万+
背景 今天，深度学习已成为机器学习中最主流的分支之一。它的广泛应用不计其数，无需多言。但众所周知深度神经网络（DNN）有个很大的缺点就是计算量太大。这很大程度上阻碍了基于深度学习方法的产品化，尤其是在一些边缘设备上。因为边缘设备大多不是为计算密集任务设计的，如果简单部署上去则功耗、时延等都会成为问题。即使是在服务端，更多的计算也会直接导致成本的增加。因此，人们正在从各个角度试图克服这个问题，如这几...
CV-笔记-深度学习模型压缩
BLUE BOX
10-22 299
在不降低或者是不大幅度减少精度的条件下，目前的模型压缩方式有： 知识蒸馏； 量化 稀疏
AI模型压缩算法汇总
Zack的博客
06-30 7295
AI模型压缩算法汇总 最新新闻 2019-06-29 新闻原文：CVPR 2019：北邮提出新AI模型压缩算法，显著降低计算复杂度 论文：http://openaccess.thecvf.com/content_CVPR_2019/papers/Li_OICSR_Out-In-Channel_Sparsity_Regularization_for_Compact_Deep_Neural_Ne...
VggNet10模型的cifar10深度学习训练
钱多多先森
12-02 1万+
目录 一：数据准备： 二：VGG模型 三：代码部分 1.input_data.py 2.VGG.py 3.tools.py 4.train_and_val.py 一：数据准备： 先放些链接，cifar10的数据集的下载地址：http://www.cs.toronto.edu/~kriz/cifar.html 用二进制tfcords的数据集训练，下载第三个，下载的数据文件集是...
深度学习模型压缩与加速技术探析
"深度学习模型压缩与加速综述" 在深度学习领域，模型压缩与加速是当前研究的热点问题，尤其对于资源有限的移动端设备来说，高效利用计算资源和存储空间至关重要。模型压缩主要目的是减小模型大小，降低计算复杂度，...
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