陆陆续续学习深度学习已经快1年,接下来总结各个模型的优缺点~
1、目的:
1)大多数图像识别模型精度很高,但参数较大,模型较大,不适合在嵌入式设备中使用。
2)小数的小模型还不够小(参数小、运算量少、精度高),而且不关注speed。
2、现有方法
1)实现小模型的方法:压缩预训练模型、直接设计小模型结构
2)直接设计小模型结构:Flattened network、Xception network、Squeeze network、transform network(一类)、deep fried network(一类)
3)压缩预训练模型:shrinking、factorizing、compressing(product quantization、hashing、pruning、vector quantization、Huffman coding)、distillation。
3、怎么解决(解决方法)
1)深度可分离卷积(depsewise separable convolution) = separable convolution(每个输入通道对应一个卷积核,filter 信息) + pointwise convolution(1×1的卷积核,combine信息)
2)width multiplier:模型更瘦
3)resolution multiplier:减低模型的输入分辨率
4、模型结构
5、优点
1)常规矩阵乘法运算(GEMM)要求输入初始数据重排序,以适应相应的矩阵package,而pointwise卷积不需要数据在内存中重排序。
2)mobilenet_v1的大部分运算集中在1×1的pointwise卷积
6、缺点
待定~
7、效果
在分类、检测、定位各个领域效果都很好~
-- ove--