《表3 模型压缩与分割实验结果》

  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

《深度学习模型终端环境自适应方法研究》

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

（2）实验细节及结果.我们采用了树莓派4作为终端设备，戴尔Inspiron 13-7368作为边缘设备，对本文提出的X-ADMM和最新扩展的ADMM方法——RAP-ADMM[53]方法进行了性能对比.神经网络模型则分别选择Alex Net，Google Net，Res Net-18，VGG-16，Mobile Net，Shuffle Net等图像处理领域常用的CNN网络进行实验.模型压缩实验过程中利用CIFAR-10数据集进行模型的训练过程，CIFAR-10是普适的彩色图片小型数据集，数据集中包含10个类别，分别是:飞机、汽车、鸟类、猫、鹿、狗等.每个类中包括多达5000张训练图片和1000张测试图片.模型中的网络结构代码基于Pytorch实现，实验过程中网络实现及模型参数设置如下:模型压缩阶段，训练过程的batch大小设为64，momentum设置为0.9，权重衰减指数为0.0005.利用均值为0，方差为0.01的高斯分布进行权重初始化，优化器选择Adam优化器，在每个卷积层和之后激活之前进行批归一化，初始学习率设置为0.1，并以10倍的速率进行衰减.结果表明，相比较于RAP-ADMM，X-ADMM在6种模型上都取得了较好效果，具体结果见表3.