書馨卡幫你省薪 2024個(gè)人購(gòu)書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
高效卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與優(yōu)化

高效卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與優(yōu)化

作者：丁霄漢 著
出版社：清華大學(xué)出版社出版時(shí)間：2024-09-01
開本： 其他 頁(yè)數(shù)： 160
中 圖 價(jià):¥59.3(7.5折) 定價(jià)  ¥79.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

高效卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與優(yōu)化 版權(quán)信息

高效卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與優(yōu)化 本書特色

本書獲評(píng)“清華大學(xué) 博士學(xué)位論文”，本書從基本架構(gòu)設(shè)計(jì)、新式通用組件、模型壓縮方法三個(gè)方面著手，試圖普遍地、一般地提升卷積神經(jīng)網(wǎng)絡(luò)的精度和效率。

高效卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與優(yōu)化 內(nèi)容簡(jiǎn)介

"隨著深度學(xué)習(xí)相關(guān)技術(shù)的發(fā)展，特別是卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的成熟，深度學(xué)習(xí)已經(jīng)成為多種計(jì)算機(jī)視覺任務(wù)的常用工具。卷積神經(jīng)網(wǎng)絡(luò)模型由于其強(qiáng)大的表征能力，可以作為一種優(yōu)秀主干模型，但往往以較大的參數(shù)量和計(jì)算量為代價(jià)。 本書從基本架構(gòu)設(shè)計(jì)、新式通用組件、模型壓縮方法三個(gè)方面著手，試圖普遍地、一般地提升卷積神經(jīng)網(wǎng)絡(luò)的精度和效率。書中介紹的方法與深度學(xué)習(xí)實(shí)踐聯(lián)系緊密：現(xiàn)實(shí)生活中的視覺應(yīng)用一般要求在一定的推理延遲、吞吐量、模型大小和功耗的約束下盡可能追求更高的精度，所以開發(fā)者既可以應(yīng)用一種新的架構(gòu)，可以用一些新式組件來(lái)提升現(xiàn)有架構(gòu)，亦可以對(duì)一個(gè)精度更高也更大的模型應(yīng)用壓縮技術(shù)使之滿足既定的效率約束條件。本書聚焦基礎(chǔ)，所提出的“結(jié)構(gòu)重參數(shù)化”理論、新式模型結(jié)構(gòu)和模型壓縮方法可以廣泛用于多種模型和多種任務(wù)。 本書可為機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺領(lǐng)域的初學(xué)者和具備一定基礎(chǔ)的工程技術(shù)人員及研究人員提供參考。"

高效卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與優(yōu)化 目錄

第1章 緒論 1.1 研究背景與意義 1.2 外研究現(xiàn)狀 1.2.1 基本架構(gòu)設(shè)計(jì) 1.2.2 新式通用組件 1.2.3 通道剪枝方法 1.2.4 其他模型壓縮方法 1.3 研究?jī)?nèi)容和主要貢獻(xiàn) 1.3.1 基本架構(gòu)設(shè)計(jì) 1.3.2 新式通用組件 1.3.3 通道剪枝方法 1.4 符號(hào)系統(tǒng) 1.5 本書的組織結(jié)構(gòu) 第2章 基于結(jié)構(gòu)重參數(shù)化的極簡(jiǎn)架構(gòu) 2.1 本章引言 2.2 相關(guān)工作 2.2.1 單路架構(gòu)的訓(xùn)練方法 2.2.2 重參數(shù)化 2.2.3 Winograd卷積算法 2.3 結(jié)構(gòu)重參數(shù)化 2.4 RepVGG：基于結(jié)構(gòu)重參數(shù)化的極簡(jiǎn)架構(gòu) 2.4.1 效率分析 2.4.2 架構(gòu)詳細(xì)定義 2.5 實(shí)驗(yàn)分析 2.5.1 ImageNet分類實(shí)驗(yàn) 2.5.2 消融和對(duì)比實(shí)驗(yàn) 2.5.3 語(yǔ)義分割實(shí)驗(yàn) 2.6 本章小結(jié) 第3章 非對(duì)稱卷積模塊 3.1 本章引言 3.2 相關(guān)工作 3.2.1 非對(duì)稱卷積 3.2.2 多架構(gòu)通用的基本組件 3.3 對(duì)卷積核內(nèi)部空間位置的定量分析 3.4 非對(duì)稱卷積模塊 3.4.1 卷積的廣義可加性 3.4.2 非對(duì)稱卷積模塊的結(jié)構(gòu)和轉(zhuǎn)換 3.5 實(shí)驗(yàn)分析 3.5.1 CIFAR實(shí)驗(yàn) 3.5.2 ImageNet實(shí)驗(yàn) 3.5.3 消融實(shí)驗(yàn) 3.5.4 ACB卷積核的定量分析 3.6 本章小結(jié) 第4章 重參數(shù)化大卷積核模塊 4.1 本章引言 4.2 相關(guān)工作 4.2.1 單層大感受野模型 4.2.2 模型放大技術(shù) 4.3 應(yīng)用大卷積核的五條準(zhǔn)則 4.4 RepLKB：一種大卷積核組件 4.5 實(shí)驗(yàn)分析 4.5.1 RepLKNet上增大卷積核尺寸的實(shí)驗(yàn) 4.5.2 ImageNet圖像分類 4.5.3 語(yǔ)義分割 4.5.4 目標(biāo)檢測(cè) 4.6 討論 4.6.1 有效感受野 4.6.2 形狀偏好 4.7 本章小結(jié) 第5章 用于通道剪枝的向心隨機(jī)梯度下降算法 5.1 本章引言 5.2 相關(guān)工作 5.3 向心隨機(jī)梯度下降 5.3.1 通道剪枝的符號(hào)表示 5.3.2 C-SGD 新規(guī)則 5.3.3 C-SGD的直觀解釋 5.3.4 C-SGD的高效實(shí)現(xiàn) 5.3.5 C-SGD訓(xùn)練后的剪枝重構(gòu) 5.3.6 用C-SGD解決受約束剪枝問題 5.4 寬度濃縮：一種基于C-SGD的訓(xùn)練方法論 5.5 實(shí)驗(yàn)分析 5.5.1 CIFAR-10剪枝實(shí)驗(yàn) 5.5.2 ImageNet剪枝實(shí)驗(yàn) 5.5.3 語(yǔ)義分割和目標(biāo)檢測(cè) 5.5.4 聚類方法研究 5.5.5 趨同與歸零冗余模式的對(duì)比 5.5.6 C-SGD與其他剪枝方法的嚴(yán)格對(duì)比 5.5.7 冗余訓(xùn)練與常規(guī)訓(xùn)練的對(duì)比 5.5.8 “全局瘦身”和“局部裁剪”的對(duì)比 5.5.9 寬度濃縮 5.6 關(guān)于C-SGD效率的討論 5.7 本章小結(jié) 第6章 基于結(jié)構(gòu)變換的高精度通道剪枝方法 6.1 本章引言 6.2 相關(guān)工作 6.3 ResRep 6.3.1 Rep：卷積重參數(shù)化 6.3.2 Res：梯度重置 6.3.3 Res和Rep的有機(jī)結(jié)合 6.4 實(shí)驗(yàn)分析 6.4.1 ImageNet和CIFAR-10剪枝實(shí)驗(yàn) 6.4.2 基線和變體對(duì)比實(shí)驗(yàn) 6.4.3 Res和Rep的消融實(shí)驗(yàn) 6.5 本章小結(jié) 第7章 總結(jié)與展望 7.1 工作總結(jié) 7.2 未來(lái)工作展望 參考文獻(xiàn) 在學(xué)期間完成的相關(guān)學(xué)術(shù)成果 致謝
展開全部

高效卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與優(yōu)化 作者簡(jiǎn)介

丁霄漢，工學(xué)博士，2022年6月畢業(yè)于清華大學(xué)軟件學(xué)院，研究領(lǐng)域?yàn)闄C(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺的通用模型、基本工具、基礎(chǔ)理論。曾獲百度獎(jiǎng)學(xué)金（2019）、 獎(jiǎng)學(xué)金、英特爾獎(jiǎng)學(xué)金等。

商品評(píng)論(0條)
暫無(wú)評(píng)論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服