《表1 经典卷积神经网络的性能及相关参数》
卷积神经网络的整体架构大体上遵循着一种固定的范式,即网络前半部分堆叠卷积层,间或插入若干池化层以组成特征提取器,最后连上全连接层作为分类器,构成一个端到端的网络模型,如图1中LeNet-5[6]所示.卷积神经网络一般通过增加卷积层数量以增加网络深度,用这种方式获得的深度模型在分类任务上有更好的表现[7].从表1可以看出,卷积神经网络的性能不断增长,其在ImageNet数据集的识别错误率不断降低,同时其时间复杂度和空间复杂度也相应上升.具体地,卷积神经网络的网络层数呈持续增加态势,其训练参数数量和乘加操作数量也保持在一个较高的水平,例如VGGNet-16具有高达138 M参数量,其整体模型规模超过500 M,需要155亿次浮点数操作才能对一张图片进行分类.
图表编号 | XD00135234800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.01 |
作者 | 林景栋、吴欣怡、柴毅、尹宏鹏 |
绘制单位 | 重庆大学自动化学院、重庆大学自动化学院、重庆大学自动化学院、重庆大学自动化学院 |
更多格式 | 高清、无水印(增值服务) |