《表1 经典卷积神经网络的性能及相关参数》

  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

《卷积神经网络结构优化综述》

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

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.