《表1 12个CNN模型的参数量及层数》

  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

《面向边缘设备的高能效深度学习任务调度策略》

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

本文针对图像分类领域典型的12个深度学习模型进行研究分析（如表1所示）．其中，Inception Google Net考虑3种结构模型，Inception V1基于Inception Module提高参数利用率．Inception V2进一步采用3×3的小卷积核替代5×5的卷积核，降低参数量，此外还通过Batch Normalization方法提升网络训练速度，提高收敛后的分类准确率．随后的Inception V4进一步结合ResNet以提升准确率．在残差结构中，本文考虑的ResNet-50，ResNet-101以及ResNet-152均为三层残差结构，其主要区别是conv3＿x以及conv4＿x下的残差结构个数不同，其中，ResNet-50在conv3＿x和conv4＿x下的残差结构个数分别为4和6，ResNet-101为4和23，ResNet-152为8和36，该网络结构通过不断加深层数以实现模型精度的提升．与此同时，本文考虑了轻量级模型MobileNet和ShuffleNet.MobileNet由Horward等人在2017年提出，它在计算量和模型尺寸方面具备明显优势，其架构由一个作用于输入图像的标准卷积层、一个深度可分离卷积堆栈以及最后的平均池和全连接层组成．MobileNet采用深度可分离的卷积来构建轻量级深层神经网络，可将标准卷积分解成一个深度卷积和一个点卷积（1×1卷积核）．深度卷积将每个卷积核应用到每一个通道，而1×1卷积用来组合通道卷积的输出，这种分解可以有效减少计算量，降低模型大小．2018年Google公开的MobileNet＿V2[29]通过引入残差结构和bottleneck层，使其更加高效．进一步，Ma等人[9]指出当前以FLOPs评估模型性能的不合理性，提出以网络实际内存消耗成本为度量标准，设计了更加高效的ShuffleNet＿V2.