我要评论
论文地址：https://export.arxiv.org/pdf/2303.03667v1.pdf
为了设计快速神经网络，许多工作都集中在减少浮点运算（flops）的数量上。然而，作者观察到flops的这种减少不一定会带来延迟的类似程度的减少。这主要源于每秒低浮点运算（flops）效率低下。并且，如此低的flops主要是由于运算符的频繁内存访问，尤其是深度卷积。因此，本文提出了一种新的partial convolution（pconv），通过同时减少冗余计算和内存访问可以更有效地提取空间特征。基于pconv进一步提出fasternet，在广泛的设备上实现了比其他网络高得多的运行速度，而不影响各种视觉任务的准确性。同时，实现了令人印象深刻的83.5%的top-1精度，与swin-b不相上下，同时gpu上的推理吞吐量提高了49%，cpu上的计算时间也节省了42%。
原理解析
神经网络在图像分类、检测和分割等各种计算机视觉任务中经历了快速发展。尽管其令人印象深刻的性能为许多应用程序提供了动力，但一个巨大的趋势是追求具有低延迟和高吞吐量的快速神经网络，以获得良好的用户体验、即时响应和安全原因等。
如何快速？研究人员和从业者不需要更昂贵的计算设备，而是倾向于设计具有成本效益
![计算机视觉 CV 八股分享 [自用]（更新中......）](/images/newimg/nimg6.png)
发表评论