《表3 多种方法下的Faster-RCNN》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种基于Lasso回归与SVD融合的深度学习模型压缩方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通过对比表3的实验数据可以看到，传统的三种方法因为只追求压缩，不考虑压缩后模型的精度，所以得到的m AP值相对原始模型差距较大，并且，训练的不稳定性导致训练时间加长，所以模型在GPU上的传播时间并没有显著加快。而使用Lasso+SVD的方法，平均精度都接近原始模型，传播时间也显著提高，在加速率为2倍时，融合算法把模型二的绝对运行时间提升了近1倍，而m AP只下降了0.4，同时也极大地压缩了模型的参数。如果对模型二进行4倍的裁剪和分解，处理后的模型将达到20 flop/s，满足实时性的要求。