《表1 主流DNN模型的比较》

  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

《深度学习在云和终端上的混合分布式部署研究》

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

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。