《表1 主流DNN模型的比较》
为了提高DNN分析数据的准确度,通常采用的方法是增加其神经网络的层数。这是由于在DNN中,特定的神经网络层被用来提取特定的数据特征,更多的网络层数代表着更多可分析的数据特征,从而使得数据分析的结果也更加准确。表1给出了从2012年到2016年经典DNN模型的比较信息。从表1中可以发现,从AlexNet到ResNet,虽然分类误差率逐渐降低,但网络模型的层数却从8层急剧增长至156层,同时网络模型的参数数量也非常庞大。模型的层数与参数数量在一定程度上代表了DNN分析数据时所需的计算量与占用的内存空间大小,这要求相应的设备需要超强的计算能力与巨大的存储空间。因此目前主流的深度学习框架的模型训练和推理计算均是在云端/服务器端设备上进行,资源受限、强调实时性的嵌入式环境中的深度学习计算引擎的实现还在发展中。
图表编号 | XD0042784100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.18 |
作者 | 邓畅、陆骏、李广 |
绘制单位 | 中国电子科技集团公司第三十二研究所、中国电子科技集团公司第三十二研究所、中国电子科技集团公司第三十二研究所 |
更多格式 | 高清、无水印(增值服务) |