面向实际应用的深度神经网络模型分析
计算机视觉与模式识别
2017-04-18 v4
摘要
自深度神经网络（DNNs）成为计算机视觉领域的突出技术以来，ImageNet 分类挑战在推动最先进技术发展方面发挥了重要作用。尽管准确率数据稳步提升，但获胜模型的资源利用情况并未得到适当考量。本文对实际应用中的关键指标进行了全面分析：准确率、内存占用、参数量、运算次数、推理时间及功耗。主要发现包括：(1) 功耗与批处理大小和架构无关；(2) 准确率与推理时间呈双曲线关系；(3) 能量约束是可实现的最大准确率与模型复杂度的上限；(4) 运算次数是推理时间的可靠估计。我们相信，本分析提供了一组极具说服力的信息，有助于设计和构建高效的 DNNs。
引用
@article{arxiv.1605.07678,
title = {An Analysis of Deep Neural Network Models for Practical Applications},
author = {Alfredo Canziani and Adam Paszke and Eugenio Culurciello},
journal= {arXiv preprint arXiv:1605.07678},
year = {2017}
}
备注
7 pages, 10 figures, legend for Figure 2 got lost :/