《表3 CNN图像分类模型的时间复杂度和空间复杂度》

  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

《基于深度学习的图像分类研究综述》

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

时间复杂度决定了模型训练/预测需要运算的次数，以FLOPS(floating-point operations per second，每秒浮点运算次数）衡量，空间复杂度决定了参数的数量，以模型的参数数量衡量。通过观察表2、表3可以发现，近几年CNN结构和深度的改变提升了分类性能，但其时间复杂度及空间复杂度随网络深度的加深持续增大，引发了网络效率问题。模型的时间复杂度随着硬件设备的发展得到了一定改善，但空间复杂度的增大，一方面造成模型维度大幅增加且训练易陷入过拟合，另一方面会造成模型时间复杂度增加，故减少模型空间复杂度才能从整体上保证模型性能并提升模型效率。SqueezeNet、Mobile Net等高效模型的提出，给提升模型效率提供了一个新的方向，轻量化模型的研究逐渐展开。