卷积神经网络()已被证明在复杂的图像识别问题上非常有效。 本文将讨论如何使用公司基于 软
件开发套件编程的加速产品来加速卷积神经网络的计算。 可以通过调整计算精度来优化图像分
类性能。 降低计算精度可使加速器每秒处理越来越多的图像。
是一个深度学习框架,具有表达力强、速度快和模块化的思想,由伯克利视觉学习中心()和社区贡
框架使用接口来描述特定卷积神经网络所需的不同处理层。 通过实施层的不同组合,用户能够
根据其给定的需求快速创建新的网络拓扑。
卷积层:卷积层将输入图像与一组可学习的滤波器进行卷积,每个滤波器在输出中产生一
个特征图
池化层:池化最大可以将输入图像分割成一组非重叠的矩形,并且对于每个这样的子区域,
输出最大值
线性修正()层:给定输入值 x,如果 x> 0,则层将计算输出为 x,如果 x <= 0 则计算输
出为 * x。
层:将图像视为单个向量,每个点对新输出向量的每个点有贡献
通过将这 4 层移植到,绝大多数正向处理网络可以使用框架在上实现。要访问加速卡上
的版本的代码,用户只需要更改 网络描述文件中的 - 卷积神经网络层的描述,这等同
于修改代码版本。
评论0
最新资源