《表3 CNN图像分类模型的时间复杂度和空间复杂度》
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。
图表编号 | XD001101800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.20 |
作者 | 苏赋、吕沁、罗仁泽 |
绘制单位 | 西南石油大学电气信息学院、西南石油大学电气信息学院、西南石油大学地球科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |