没有合适的资源?快使用搜索试试~ 我知道了~
轻量化神经网络篇(SqueezeNet、Xception、MobileNet、ShuffleNet)
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 22 下载量 185 浏览量
2021-01-20
11:42:48
上传
评论 2
收藏 920KB PDF 举报
温馨提示
试读
6页
写在前面:此文只记录了下本人感觉需要注意的地方,不全且不一定准确。详细内容可以参考文中帖的链接,比较好!!! 最近看的轻量化神经网络:SqueezeNet、Xception、MobileNet、ShuffleNet 时间轴 2016.02 伯克利&斯坦福提出 SqueezeNet 2016.10 google提出 Xception 2017.04 google提出 MobileNet 2017.07 face++提出 ShuffleNet 模型轻量化的方法 卷积核分解:使用1xN和NX1卷积核代替NXN卷积核; 使用深度压缩deep compression方法:网络剪枝、量化、哈弗曼编码; 奇
资源推荐
资源详情
资源评论
轻量化神经网络篇(轻量化神经网络篇(SqueezeNet、、Xception、、MobileNet、、ShuffleNet))
写在前面:此文只记录了下本人感觉需要注意的地方,不全且不一定准确。详细内容可以参考文中帖的链接,比较好!!!
最近看的轻量化神经网络:SqueezeNet、Xception、MobileNet、ShuffleNet
时间轴时间轴
2016.02 伯克利&斯坦福提出 SqueezeNet
2016.10 google提出 Xception
2017.04 google提出 MobileNet
2017.07 face++提出 ShuffleNet
模型轻量化的方法模型轻量化的方法
卷积核分解:使用1xN和NX1卷积核代替NXN卷积核;
使用深度压缩deep compression方法:网络剪枝、量化、哈弗曼编码;
奇异值分解;
硬件加速器;
低精度浮点数保存;
小模型的好处:小模型的好处:
在分布式训练中,与服务器通信需求小;
参数少,从云端下载模型的数量少;
更适合在嵌入式、移动设备上部署;
几种模型小结:几种模型小结:
SqueezeNet,提出了fire module【使用 1×1 卷积卷积核替换替换部分 3×3 卷积核卷积核,减少参数量;同时在squeeze阶段,限制限制 input feature map的channel数数,又一次减少参数】。在整
体网络模型中减少减少pooling,平均每3个fire module后有一个max pooling,分类前的全连接层替换成average pooling。
Xception,参差结构参差结构+可分离卷积(可分离卷积(Separable Convolution))【对每一个通道先进行 1×1 卷积,再进行 3×3 卷积】。在Inception v3模型上改进, 参数量没减少,精度提高。
MobileNet,宽度宽度\分辨率因子分辨率因子 + 深度可分离卷积(深度可分离卷积(Depthwise Separable Convolution))【对每一个通道先进行 3×3 卷积,再进行 1×1 卷积】。参数量下降
ShuffleNet,深度可分离卷积深度可分离卷积+分组卷积分组卷积+shuffle机制机制 。借鉴Resnext的分组卷积分组卷积思想,不过全部只用1×1卷积核卷积核,减少参数量;加入了shuffle机制机制(通道清洗),加强了通道间
的信息流通,一定程度上缓解了由于分组卷积导致的通道关系损失。
1. SqueezeNet
设计原则设计原则
替换3×3的卷积kernel为1×1的卷积kernel
减少输入3×3卷积的input feature map数量
减少pooling
Fire Module
Fire Module是本文的核心构件,思想非常简单,就是将原来简单的一层conv层变成两层:squeeze层+expand层,各自带上Relu激活层。在squeeze层里面全是1×1的卷积
kernel,数量记为S11;在expand层里面有1×1和3×3的卷积kernel,数量分别记为E11和E33,要求S11 < input map number即满足上面的设计原则(2)。expand层之后将1×1
和3×3的卷积output feature maps在channel维度拼接起来。
总体模型总体模型
总共有9层fire module,中间穿插一些max pooling,最后是global avg pooling代替了fc层(参数大大减少)。在开始和最后还有两层最简单的单层conv层,保证输入输出大小可
掌握。
资源评论
- qq_390254752022-12-19资源是宝藏资源,实用也是真的实用,感谢大佬分享~
- huererer22023-07-21内容与描述一致,超赞的资源,值得借鉴的内容很多,支持!
weixin_38638688
- 粉丝: 2
- 资源: 926
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功