《表2 网络ψ与原网络Φ的参数量》

  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

《基于参数共享的卷积神经网络压缩》

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

此外，若想改善toeplitz矩阵规划全连接层权重参数后得到的网络ψ的性能，则可增大原网络Φ的结构，增加可学习参数数量来实现。加大网络Φ的结构，增大全连接层神经元的个数，得到一个大网络Ω，对该大网络全连接层的权重参数进行toeplitz矩阵规划后得到网络ψ，使得网络ψ的性能逐渐接近原网络Φ的性能。表2为不同的网络ψ和原网络Φ可学习的参数量。图9为增加全连接层神经元的个数后，网络ψ与原网络Φ的误差曲线和准确率曲线。结合图9和表2可看出，增大toeplitz矩阵规划后网络的全连接层，使可学习的参数量增加，随着网络ψ参数量的增加，ψ与原网络Φ相比较，分类准确率相差逐渐减小，但是网络ψ的参数量仍然远远小于原网络Φ。