谷歌开源新模子 EfficientNet:图像辨认服从晋升 10 倍,参数镌汰 88%
发布时间:2019-06-10 10:59:17 所属栏目:移动互联 来源:佚名
导读:卷积神经收集凡是是再有限的资源下举办开拓,然后在前提应承的环境下将其扩展到更大的计较资源上以得到更好的精确率。谷歌 AI 的科学家们在论文《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》中体系地研究了模子扩展的问
办理公式(2)的一个难点就在于 d,w,r 互相依靠,而且会因为差异的资源前提所改变。传统要领首要齐集于独立地办理个中一个维度的扩展题目。下图是改变每个维度对模子机能影响的部门尝试功效: 图中从左至右别离暗示的是差异宽度、深度、别离率系数对模子机能的影响。跟着宽度、深度、判别率的进步,更大的收集会得到更好的精确率。可是,在到达 80% 后,精确率很快就趋于饱和,这声名白 单维度的扩展是具有范围性的 。这里的尝试功效均行使的是 EfficientNet-B0 作为基线收集,详细布局如下表所示: 表 1:EfficientNet-B0 收集,每一行暗示多层收集的某个阶段,resolution 输入张量巨细,Channels 暗示输出通道数。表中的标记与公式(1)中的标记意思 通过这一部门的较量作者得出: 调查 1:对收集的宽度、深度以及判别率中的恣意一项做扩展都可以进步其精确率,可是跟着模子越来越大,这种晋升会逐渐缩小。 复合扩展(编辑:湖南网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |
站长推荐
热点阅读