《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》
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。
图表编号 | XD0054885200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.28 |
作者 | 吴进、吴汉宁、刘安、李聪、李乔深 |
绘制单位 | 西安邮电大学电子工程学院、西安邮电大学电子工程学院、西安邮电大学电子工程学院、西安邮电大学电子工程学院、西安邮电大学电子工程学院 |
更多格式 | 高清、无水印(增值服务) |