轻量级神经网络架构综述

论文地址轻量级神经网络架构综述

QQ邮箱

伴随着移动互联网的发展，越来越多的移动式应用层出不穷，为了在便携式设备上使用神经网络，需要减小模型的计算量和参数量，轻量型网络应运而生。

目前轻量级神经网络有三个方向：

• 人工设计轻量化神经网络模型
• 基于神经网络结构搜索 (Neural Network Search, NAS)
• 神经网络模型的压缩

1 人工设计轻量化神经网络模型

1.1 使用小卷积核代替大卷积核

对于5x5大小的感受野，可以通过两个3x3大小的卷积实现，3x3卷积可以通过1x3和3x1卷积实现

1.2 限制中间特征的通道数

Fire module in Squeeze Net: 首先通过1x1卷积压缩通道数，然后通过1x1和3x3扩张通道数，先squeeze再expand

1.3 分解卷积运算

标准卷积操作是将一个卷积核用在输入特征的所有通道上，一方面参数量大，另一方面卷积运算存在很大冗余。深度可分离卷积则是对每个输入通道采用不同的卷积核，成为逐深度卷积，然后通过1x1的逐点卷积扩张通道数。

深度可分离卷积的计算量为标准卷积的1/9，用在了MobileNet系列上

深度可分离卷积的计算量主要集中在1x1的逐点卷积上，ShuffleNet提出了分组卷积，首先将输入通道数分组，在每个组内进行单独的卷积运算。为了增加组之间的信息流动，增加了混洗操作，使得新的分组包含之前各个组的特征。

原文地址：https://www.cnblogs.com/huanxifan/p/12688740.html