Python视觉深度学习系列教程 第三卷 第8章 在ImageNet上训练SqueezeNet
2023-09-14 09:01:35 时间
第三卷 第八章 在ImageNet上训练SqueezeNet
关于在ImageNet大规模视觉识别挑战 (ILSVRC) 上训练深度神经网络的最后一章中,将讨论SqueezeNet深度学习架构。 在2016年的论文中,SqueezeNet:AlexNet级别的准确度,参数减少了50倍,模型大小小于0.5MB。
本书中讨论的大多数先前网络架构的模型大小在 100MB (ResNet) 和 553MB (VGGNet) 之间。 AlexNet也位于这个大小范围的中间,为249MB。 最微小的模型大小是28MB的GoogLeNet——但我们能否做得更小,同时仍保持最先进的准确性?
答案是肯定的,我们绝对可以通过应用1*1和3*3卷积的新颖用法来减小模型大小,并且没有完全连接的层。最终结果是一个重量为4.9MB的模型,它可以 通过模型压缩进一步减少到0.5MB,也称为权重修剪和“稀疏模型”(将层间最小权重值的50%设置为零)。在本章中,我们将重点介绍 SqueezeNet的原始实现。 模型压缩的概念,包括量化,不在本书的范围内,但可以在相关的学术出版物中找到。
1、理解SqueezeNet
1.1 Fire 模块
论文中有两个目的。第一个是为设计卷积神经网络的更多研究提供一个案例,该网络可以在参数数量显着减少的情况下进行训练(同时仍然获得高水平的准确性)。 第二个贡献是 Fire 模块本身,这个目标的实际实现。
Fire 模块的工作方式非常聪明,
相关文章
- [Python学习] 专题二.条件语句和循环语句的基础知识
- python后端面试第七部分:项目部分--长期维护
- 深度增强学习实践:让Python小程序玩一款游戏,来训练神经网络
- Python视觉深度学习系列教程 第三卷 第16章 从头开始训练SSD
- Python视觉深度学习系列教程 第三卷 第14章 从头开始训练Faster R-CNN
- Python视觉深度学习系列教程 第三卷 第1章 使用多个 GPU 训练网络
- Python视觉深度学习系列教程 第一卷 第12章 训练首个卷积神经网络
- 机器学习笔记 - 使用python从头构建和训练神经网络
- 【OpenCV-Python】教程:9-2 级联分类器训练
- 华为OD机试 - 高效的任务规划(Java & JS & Python)
- Python编程语言学习:for循环实现对多个不同的DataFrame数据执行相同操作(可用于对分开的测试集、训练集实现执行相同逻辑任务)
- TF:基于tensorflow框架利用python脚本下将YoloV3训练好的.ckpt模型文件转换为推理时采用的.pb文件
- TF:基于tensorflow框架利用python脚本下将YoloV3训练好的.ckpt模型文件转换为推理时采用的.pb文件
- Python实现BP神经网络ANN单隐层回归模型项目实战
- python之实现去除空格和相关转移字符
- win10 caffe python Faster-RCNN训练自己数据集(转)
- Python Word2Vec使用训练好的模型生成词向量
- AI模型设计:完美实现C语言调用python训练的tensorflow2.5-gpu循环神经网络模型并进行预测
- 【回答问题】ChatGPT上线了!请使用python语言写一个谷歌 LaMDA模型?
- mod_python
- 大势所趋——区块链(Python代码实现)
- python工具方法 4 依据随机种子将数据划分为训练集、测试集、验证集
- kdj python