根据硬件资源优化神经网络通道宽度

一种确定卷积神经网络“通道配置”的新方法，在保持运行时效率的同时提高了精度。

作者：Leonid Pishchulin | 2020年6月18日 | 阅读时长4分钟

神经网络架构搜索意味着为特定任务自动寻找最佳的神经网络架构。通常，这包括寻找一种能在特定硬件平台上高效运行的架构。

本周，在IEEE计算机视觉与模式识别会议上，我与同事展示了一种探索卷积神经网络架构的新方法。卷积神经网络是计算机视觉应用中常见的一种神经网络类型。在测试中，我们发现使用该方法训练的网络，其运行时效率与性能最佳的前代网络相当，但精度有所提高。

卷积神经网络（CNN）的每一层都会对其输入应用多次变换，每一次变换就建立了一个贯穿该层的“通道”。在计算机视觉应用中，典型的CNN在输入层可能有3个通道（每种原色一个），但在输出层可能有1000个通道。

我们的技术是在给定某些延迟约束（即完成计算所允许的最大时间）的情况下，为网络的每一层找到最佳通道数。

研究领域

机器学习 | 计算机视觉

标签

人工智能 | 卷积神经网络 | CVPRFINISHED