《表1 4个经典神经网络模型的相关信息》

  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

《深度学习FPGA加速器的进展与趋势》

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

(1）虽然更深的网络结构能提高分类的准确率，但是这些规模较大的模型正变得难以处理．表1展示了近几年在ImageNet挑战赛中获取冠军的4个经典神经网络模型的相关信息．根据表1可以看出，从2012年到2015年，Top-5的错误率从15.3%降低到了3.57%，神经网络模型的层数也从8层增加到了152层．在2012年到2014年期间，随着神经网络模型层数的增加，模型参数和计算量也极速增加，模型大小从240MB增加到了500MB，计算量从7.2亿操作提升到了196亿，而模型规模的增大和计算量的大幅度提升意味着对硬件计算能力、内存带宽及数据存储的要求也更加苛刻．为了减小模型规模及让网络模型对硬件更加友好等，学者转向设计更加高效的深度神经网络，如2014年的GoogleNet利用提出的Inception模块等在有效提高神经网络模型层数的同时降低了模型规模的大小，最终模型规模仅为AlexNet的十分之一；2015年的ResNet利用“shortcut connection”来跳过某些层，让更多的层能共享权值，使得该模型在网络模型深度上是VGG-19模型的8倍，但在规模上仅为VGG-19模型的一半左右．