《表2 量化卷积单元参数表》
提示：宽带有限、当前游客访问压缩模式
本设计使用0.11μm SMIC工艺库进行综合，综合后的参数如表2所示。
| 图表编号 | XD00201562600 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.02.15 |
| 作者 | 唐蕊、焦继业、徐华昊 |
| 绘制单位 | 西安邮电大学计算机学院、西安邮电大学计算机学院、西安邮电大学计算机学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 定点量化卷积加速效果》2020.10.10
- 《表4 各阶段训练结果图：基于MobileNet与YOLOv3的轻量化卷积神经网络设计》2020.07.10
- 《表1 哈萨克词语变体：词干单元和卷积神经网络的哈萨克短文本分类》2020.08.01
- 《表4 部分评价单元量化分级数据》2020.06.06
- 《表2 网络性能指标对比：基于轻量化YOLOv3卷积神经网络的苹果检测方法》2020.08.25
- 《表3 网络模型权重对比：基于轻量化YOLOv3卷积神经网络的苹果检测方法》2020.08.25
- 《表1 网络检测时间对比：基于轻量化YOLOv3卷积神经网络的苹果检测方法》2020.08.25
- 《表2 量化决策单元分配模型指标样表》2020.04.15
- 《表3 实验训练参数：融合双向门控循环单元和卷积神经网络的歧视性言论鉴别》2020.04.24
- 《表4 分类结果混淆矩阵：融合双向门控循环单元和卷积神经网络的歧视性言论鉴别》2020.04.24
- 《表2 实验数据统计：融合双向门控循环单元和卷积神经网络的歧视性言论鉴别》2020.04.24
- 《表1 实验使用的数据集：基于卷积与双向简单循环单元的文本分类模型》2020.03.16
- 《表4 模型结果对比：基于卷积与双向简单循环单元的文本分类模型》2020.03.16
- 《表1 数据集介绍：VansNet轻量化卷积神经网络》2020.03.01
- 《表1 卷积层/单元参数及FLOPs》2020.01.01
- 《表3 使用本文FNN方法提供的掩模大小和卷积单元数时获得的实验结果》2019.10.01
- 《表1 政策单元编码表：中国休闲农业和乡村旅游政策的演进特征(2001-2018)——基于政策文本量化分析》2019.03.05
- 《表2 数控机床齿条移动元动作单元故障评价指标量化值》2018.12.28
- 《表1 运算单元功能验证：基于卷积神经网络加速运算单元设计》2019.12.16
- 《表3 卷积矢量化加速实验结果Tab.3 Experiment results of convolution vectorization》2018.06.01