如何用Keras实现并学习轻量级网络ShuffleNet的教程？
- 内容介绍
- 文章标签
- 相关推荐
本文共计2008个文字，预计阅读时间需要9分钟。
ShuffleNet是一种高效的CNN架构，专为计算能力有限的移动设备设计。它通过使用组卷积和信任混合运算，实现了极高的计算效率。
ShuffleNet是由旷世发表的一个计算效率极高的CNN架构，它是专门为计算能力非常有限的移动设备(例如，10-150 MFLOPs)而设计的。该结构利用组卷积和信道混洗两种新的运算方法，在保证计算精度的同时，大大降低了计算成本。ImageNet分类和MS COCO对象检测实验表明，在40 MFLOPs的计算预算下，ShuffleNet的性能优于其他结构，例如，在ImageNet分类任务上，ShuffleNet的top-1 error 7.8%比最近的MobileNet低。在基于arm的移动设备上，ShuffleNet比AlexNet实际加速了13倍，同时保持了相当的准确性。
Paper：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile
Github：github.com/zjn-ai/ShuffleNet-keras
网络架构
组卷积
组卷积其实早在AlexNet中就用过了，当时因为GPU的显存不足因而利用组卷积分配到两个GPU上训练。简单来讲，组卷积就是将输入特征图按照通道方向均分成多个大小一致的特征图，如下图所示左面是输入特征图右面是均分后的特征图，然后对得到的每一个特征图进行正常的卷积操作，最后将输出特征图按照通道方向拼接起来就可以了。
本文共计2008个文字，预计阅读时间需要9分钟。
ShuffleNet是一种高效的CNN架构，专为计算能力有限的移动设备设计。它通过使用组卷积和信任混合运算，实现了极高的计算效率。
ShuffleNet是由旷世发表的一个计算效率极高的CNN架构，它是专门为计算能力非常有限的移动设备(例如，10-150 MFLOPs)而设计的。该结构利用组卷积和信道混洗两种新的运算方法，在保证计算精度的同时，大大降低了计算成本。ImageNet分类和MS COCO对象检测实验表明，在40 MFLOPs的计算预算下，ShuffleNet的性能优于其他结构，例如，在ImageNet分类任务上，ShuffleNet的top-1 error 7.8%比最近的MobileNet低。在基于arm的移动设备上，ShuffleNet比AlexNet实际加速了13倍，同时保持了相当的准确性。
Paper：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile
Github：github.com/zjn-ai/ShuffleNet-keras
网络架构
组卷积
组卷积其实早在AlexNet中就用过了，当时因为GPU的显存不足因而利用组卷积分配到两个GPU上训练。简单来讲，组卷积就是将输入特征图按照通道方向均分成多个大小一致的特征图，如下图所示左面是输入特征图右面是均分后的特征图，然后对得到的每一个特征图进行正常的卷积操作，最后将输出特征图按照通道方向拼接起来就可以了。