卷积神经网络的模型复杂度-精度权衡
计算机视觉与模式识别
2023-01-23 v1 人工智能
摘要
近年来，由于更快的 GPU 和内存访问的出现，卷积神经网络（CNN）取得了巨大成功。CNN 非常强大，因为它们从数据中分层学习特征，从而展现出人脑 V-1 特征的结构。这种情况下的一个巨大瓶颈是，CNN 规模非常大且内存占用极高，因此无法部署在手机、物联网等存储受限的设备上。在这项工作中，我们在 MNSIT 数据集上研究了模型复杂度与精度的权衡，并给出了在给定的系统可容忍最坏情况精度下处理此类问题的具体框架。在我们的工作中，与基准模型相比，我们将模型复杂度降低了 236 倍，内存占用降低了 19.5 倍，同时达到了最坏情况精度阈值。
引用
@article{arxiv.1705.03338,
title = {Model Complexity-Accuracy Trade-off for a Convolutional Neural Network},
author = {Atul Dhingra},
journal= {arXiv preprint arXiv:1705.03338},
year = {2023}
}