关于CNN图像分类的一份综合设计指南（二）

        
    　　网络类型
网络类型和性能指标之间存在着非常明显的权衡现象，首先我们肯定会选择Inception或者ResNet网络类型的模型，因为这两个网络比VGG和AlexNet模型更新，只是在精度和模拟速度两个指标之间进行了权衡，如果想要精度的话，选择ResNet网络是一个不错的开端，如果想要模拟速度快，那么就选择Inception网络。
　　用智能卷积设计减少运行时间和内存消耗
CNN总体设计的最新进展已经有了惊人的替代方案，在不损失太多精度的前提下，可以加快CNN模拟运行的时间，减少内存消耗。以下所有这些都可以简单地整合到上述CNN成熟模型中
　MobileNets:使用深度可分离卷积技术，在仅牺牲1%~5%的精度的条件下，计算量和存储消耗量大幅减少，精度的减少程度与计算量和存储消耗量的减少成正比。
关键XNOR-Net:使用二进制卷积，即卷积核只有-1或1。通过这种设计，网络具有很高的稀疏性，因此可以轻松压缩网络参数，而不会占用太多的存储。
关键Shuflet:使用一个小组卷积，使网络具有很高的稀疏性，因此可以很容易地压缩网络参数，而不会占用太多的存储器。关键盘:使用一个小组卷积。
Network Pruning（网络剪枝）：去除CNN模型的部分结构以减少仿真运行时间和内存消耗，但也会降低精度。为了保持精度，去除的部分结构最好是对最终结果没有多大的影响。
　　网络深度
CNN常用的方法是增加通道数和深度来增加精度，但会牺牲模拟运行速度和内存。但是，需要注意的是，层数增加对精度的提高效果减少，即增加的层越多，后续增加的层对精度的提高效果越小，甚至出现过拟合现象。                                        

				

					
上一篇：延安大学综合性、设计性实验教学管理办法(3)
					
下一篇：郑州被列为国际性综合交通枢纽！亚洲最大编组站将迁至新密（三）