内容
1. 深度可分离卷积模型结构
2. 深度可分离卷积的由来
2.1 InceptionV3模型结构
2.2 引入深度可分离卷积
3. 深度可分离卷积与普通卷积的计算量
3.1 普通卷积的计算量
3.2 深度可分离卷积计算量
4. 实战
深度可分离卷积可以用少量的精度损失换取大量的计算和内存的减少。这使得普通的卷积神经网络可以运行在计算能力相对较低的设备上,比如手机。
1. 深度可分离卷积模型结构
2. 深度可分离卷积的由来
2.1 InceptionV3模型结构
特征:
(1) 不同尺寸的视野域
不同视场提取的图像特征尺度不同
(2) 提升效率(相对于不做分支时会提升效率)
2.2 引入深度可分离卷积
划分到极致(每个通道都有一个分支)
3. 深度可分离卷积与普通卷积的计算量
Dk:卷积核的大小(默认卷积核的长宽都为Dk)
DF:图像的大小(默认图像大小的长宽都为DF)
M:输入通道的数目
N:输出通道的数目
3.1 普通卷积的计算量
3.2 深度可分离卷积计算量
4. 实战
版权声明:本文为博主zhao_crystal原创文章,版权归属原作者,如果侵权,请联系我们删除!
原文链接:https://blog.csdn.net/zhao_crystal/article/details/123157688