卷积的优化
来源:互联网 发布:xquartz for mac 编辑:程序博客网 时间:2024/05/19 19:31
转载:http://blog.csdn.net/dzkd1768/article/details/72763659
个卷积神经网络的基本构成一般有卷积层(convolutional layer)、池化层(pooling layer)、全连接层(fully connection layer)。本文以caffe中的LeNet-5为例,分析卷积层和全连接层的参数数量和计算量情况。
卷积层的基本原理就是图像的二维卷积,即将一个二维卷积模板先翻转(旋转180°),再以步长stride进行滑动,滑动一次则进行一次模板内的对应相乘求和作为卷积后的值。在CNN的卷积层中,首先是卷积层维度提升到三维、四维,与二维图分别进行卷积,然后合并,这里的卷积一般是相关操作,即不做翻转。具体如下图所示:
.
上图中左边的一幅输入图的三个通道,中间是卷积层,尺寸为3*3*3*2,这里就是三维卷积,得到的特征图还是一个通道,有两个三维卷积得到两个featuremap。
我们以caffe中的LeNet-5的lenet.prototxt为例。
一、卷积层
可以看到整个CNN的输入是28×28的灰度图,batchsize是64。第一个卷积层是5×5×20的尺寸,即卷积核为5×5,有20个。第一个卷积层之后有一个max pooling 层。下面我们来看一下日志文件。
输入为28×28的单通道图,经过一层卷积以后输出为24×24×20,因为边界处理所以卷积完尺寸为28-5+1 = 24。卷积核的数量为20,所以conv-1的尺寸如上。再经过一层pooling层尺寸为12×12×20。则单样本前向传播计算量为:5×5×24×24×20 = 288 000,实际计算量还应乘以batchsize = 64。卷积层参数数量为:5×5×20 = 500。计算量和参数比为:288000/500 = 576.
下面看一下全连接层的情况。
二、全连接层
第一个全连接层的输出元素个数500。上图是全连接层部分的日志文件,卷积部分得到的featuremap为4×4×50,全连接部分是将featuremap展开成一维向量再与全连接相连。所以单样本前向传播计算量为:4×4×50×500 = 400 000,参数数量为4×4×50×500 = 400 000。在全连接中计算量和参数比始终为1,就是源于全连接的特性。
三、分析对比
conv-1的计算量参数比为576,ip1的计算量参数比为1。conv-1的计算量是ip1的0.72,而参数是0.00125。
也就是说卷积层主要是大大减少了连接参数,所以在CNN网络中一般卷积层参数量占比小,计算量占比大,而全连接中参数量占比大,计算量占比小。大致卷积层的计算量是全连接的20%。
所以我们需要减少网络参数、权值裁剪时主要针对全连接层;进行计算优化时,重点放在卷积层。
卷积层的优化方法:
1. Low rank(低秩):(单层到多层)SVD分解fc层和卷积核,tensor展开。
2. Pruning(剪枝):去掉某些神经元连接训练找到重要的连接。
3. Quantization(量化)权值量化,霍夫曼编码,codebook编码,hashed-net,PQ-CNN。
4. Fixed-point/binary net,BNN。
CNN的发展方向:
1.小--模型有效且参数少
代表方法:NIN(network in network)2.快--运行速度快
matrix decomposition、pruning、硬件提升3.准--与大模型有相当的准确率
cross-layer regularization、micro-structures从VGG, GoogleNet,ResNet的演变,很有可能是因为卷积核趋近与最小的3*3与1*1。
所以未来CNN的发展可能是fully 1*1 convolutional layer network?
即1×1 network + Spatial Contexts + Cross-layer contexts。
阅读全文
0 0
- 卷积的优化
- OpenCL 优化后的卷积代码
- 卷积神经网络(CNN)的参数优化方法
- 卷积神经网络(CNN)的参数优化方法
- 卷积神经网络(CNN)的参数优化方法
- 优化基于FPGA的深度卷积神经网络的加速器设计
- 优化基于FPGA的深度卷积神经网络的加速器设计
- 优化基于FPGA的深度卷积神经网络的加速器设计
- 优化基于FPGA的深度卷积神经网络的加速器设计
- 优化基于FPGA的深度卷积神经网络的加速器设计
- 优化基于FPGA的深度卷积神经网络的加速器设计
- 优化基于FPGA的深度卷积神经网络的加速器设计
- MEC —— 优化内存与速度的卷积计算
- 深度学习网络卷积在GPU上的优化
- 卷积神经网络的卷积操作
- neon优化二维卷积算法
- 4用于cifar10的卷积神经网络-4.11优化器GradientDescenOptimizer的汇总结果分析
- 4用于cifar10的卷积神经网络-4.12优化器MomentumOptimizer的汇总结果分析
- 抽象类和接口
- 用Docker安装Gitlab
- logistic regression识别真假币
- zabbix监控mysql之Warning: Using a password on the command line interface can be insecure.
- pair、map、set、multiset、multimap用法简介
- 卷积的优化
- 【安全牛学习笔记】MSsql2005(Sa)权限执行命令总结
- 在mac下搭建tomcat服务器
- 朴素贝叶斯(三)进阶
- 悼狗烹哥——金柱赫
- [论文阅读] Low-shot Visual Recognition by Shrinking and Hallucinating Features
- 欢迎使用CSDN-markdown编辑器
- 如何1天之内把一个医疗关键词快速排名到百度首页
- 单源最短路径——Dijkstra算法