转载来源：深度学习分类网络

关于model参数量计算：1.CNN学习笔记——理解结构，LeNet5介绍

1 VGG-16

VGG16[1]是非常经典的模型，好用，是2014 ImageNet的亚军(有可能是vgg-19)。核心思想：小核，堆叠。主要分成5个stages,22333，13个卷积层，16的意思应该是加上3个FC层。每个stage后面都跟着一个pool来减小尺寸，参数方面fc占了很多，所以后面大多用conv或者global pool来代替。在做分割时，一般会把第四个pool的stride设成1，然后stage 5的conv用dilation conv来增加尺寸。192的感受野还是比较小的，并且按照一些论文的分析实际的感受野一般会比理论上的小很多，因此如果用它来做检测等任务的话，感受野也许这个是个问题。

2 Inception-V4

inception v1(Googlenet)应该是获得了image net 2014的冠军 vgg应该是亚军（有可能是vgg19），这个V4[2]版本是在2016年出来。在15年初还出现了一篇对深度学习网络影响比较大的论文，所以基本后面的网络都会在conv后面加BN，在caffe里一般会用两个层组合来实现这个功能bn/scale.所以画的图中用bsr来表示batchNormalization和relu的组合.Inception结构中嵌入了多尺度信息，集成了多种不同感受野上的特征，另外一个思想是将cross channelcorrelation和spatial corrections分离开。一般用1*1的pointwise conv去提取cross channel的信息，然后3*3或者其他大核去提取空间信息。可以从架构图中看出来Incetpion还是比较乱的，要设置的参数太多。

3 ResNet

ResNet[3]是2015年image net的冠军。同等条件下,ResNet的速度和精度都会比VGG要好。个人觉得ResNet还是受到了Inception的启发，采用了多路的架构。但是ResNet有很好的解释性，它的核心是下面的ResUnitB.每一个这样的buildingblock都有一条通路加input通过某种方式叠加在输出中，就好比output = input+branch2,其中input和output类似，那么branch2就类似于一个残差的东西，因此就叫做残差网.

4 Identity mappings ResNet

在原始的ResNet中，左边的通道经过了Relu，因此并不是一个纯粹的等价映射通道，所以在这篇论文中作者利用了full pre-activation构建了一个Identity mapping[4]的building block来替换原有的，以便于信息和梯度传播，不过后面会介绍的WRN论文指出网络小于100层的用preActivation影响不太大。

5 ResNet-InceptionV2

结合了Resnet和inception的思想[2]

6 WRN (wide residual network)

WRN[5]的思想非常简单，主要把ResNet的building block的channel增大，把网络变宽，从而能用不是很深的网络也能达到很好的效果.具体地说，比如对应于ResNet的1-3-1这样bottleneck架构，WRN就是把前两个卷积的通道数量增加了一倍,参考的是caffe版本，未对照是否与原作者的有出入.同时这篇论文还指出了bottleneck的架构也许更适用于imagenet,其他一些数据库可能使用其他的building block更合适些。

7 SqueezeNet V1.1

在把网络做宽做深的同时，为了一些物联网、移动应用，学术界也在研究精简网络架构，在不损失很多精度下减小model size和提高速度。当然有些分支是利用裁剪，权重量化等方法，不在这里的讨论范围。

SqueezeNet[6]主要利用三个思想。第一个是大量使用1*1卷积，这会造成空间关系提取的困难，因此在每一个fire unit有还有3*3的通路,其实也是inception的思想，一个提取空间，一个提取cross channel;第二个，通过bottleneck的方式降低3*3输入测channel数量；第三个，推迟下采样，使得后面的feature map的分辨率大一些。个人觉得还是降的挺快的，不过确实不想其他网络降到了32倍，squeezeNet只降到16倍。注意论文中作者还利用了其他方法对模型进行压缩，压到了0.5M.

8 Xception

Xception[7]开始使用depthwise conv的方式提高速度和降低model size.它基于这样的假设，空间的联系和cross channel的联系可以完全独立。所以它用了3*3的depthwise conv的核提取空间关系，而用1*1的pointwise conv提取corss channel特征。另外它的building block应该也受到了[4]的影响，采用了Identity mapping的架构，而且感觉它的分辨率降得很快。Xception用的是keras或者tensorflow的实现，featuremap的大小是向上取整.下图中groupA3右侧多了个relu,画图方便，也不影响结果

9 ResNetXt

ResNetXt[8]结合了WRN和group conv的思想。下图中的c就是group的数量。

10 MobileNet

MobilieNet[9]的思想跟 X ception 一致，不过它的 building block 变简单了，没有采用 residual 结构

11 ShuffleNet

像上面的几种网络采用group conv后，很多计算都集中在1*1的conv,如果1*1的conv也能用group的话那对模型压缩和速度都有好处，但是不利于精度，因为cross channel的很多信息丢了，那怎么能提取cross channel的一些特征,作者就提出了shuffle的概念[10],比如原来有两组，第一组是1234通道，第二组是5678，那么重排后第一组是1526，第二组是3748，这样就还能拿到这些信息。

12 DenseNet

跟resnet的的基础模块不同，虽然也用了bottleneck的结构，densnet[11]用concat代替element add，因此输出的通道数量都比输入要多一些，论文中这个值一般是32。未优化下Densenet训练时特别耗显存.

13 Dual PathNetwork

Dual Path Network[12]结合了ResNet和DenseNet.一个path照着ResNet把不同分支的特征element add,另外一个path照着ResNet把不同分支的特征concat.因此叫双路网络。

14 SENet

SENet[13]设计了一个gating(reweighting)模块让网络可以自学习各个channel的权重。下图展示的是将SE block加入到了ResNet UnitA中的情况。大体的意思还是比较好理解。

深度卷机网络（Deep CNNs）的GFLOPS与参数量计算相关推荐

花书+吴恩达深度学习（十六）序列模型之双向循环网络 BRNN 和深度循环网络 Deep RNN
目录 0. 前言 1. 双向循环网络 BRNN(Bidirectional RNN) 2. 深度循环网络 Deep RNN 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常开心的~ 花 ...
Lesson 16.1016.1116.1216.13 卷积层的参数量计算，1x1卷积核分组卷积与深度可分离卷积全连接层 nn.Sequential全局平均池化，NiN网络复现
二架构对参数量/计算量的影响在自建架构的时候,除了模型效果之外,我们还需要关注模型整体的计算效率.深度学习模型天生就需要大量数据进行训练,因此每次训练中的参数量和计算量就格外关键,因此在设计卷积网 ...
常规-分组-深度分离-分组深度分离卷积-参数量-计算量-dilation-python实现
不同的卷积操作本文所用样本一般的卷积(常规的) 分组卷积深度分离卷积逐通道卷积(depthwise conv) 逐点卷积 (pointwise conv) 分组深度分离卷积上面卷积总结卷积 ...
深度残差网络 - Deep Residual Learning for Image Recognition
CVPR2016 code: https://github.com/KaimingHe/deep-residual-networks 针对CNN网络深度问题,本文提出了一个叫深度残差学习网络,可以使得 ...
深度残差网络(Deep Residual Network)ResNet
一说起"深度学习",自然就联想到它非常显著的特点"深.深.深",通过很深层次的网络实现准确率非常高的图像识别.语音识别等能力.因此,我们自然很容易就想到:深的网 ...
深度学习模型参数量/计算量和推理速度计算
作者|龟壳来源 | 知乎地址 | https://zhuanlan.zhihu.com/p/376925457 本文仅作学术分享,若侵权请联系后台删文处理本文总结了一些关于模型参数量计算以及推理 ...
深度信念网络Deep Belief Networks资料汇总
毕设做的是DBNs的相关研究,翻过一些资料,在此做个汇总. 可以通过谷歌学术搜索来下载这些论文. Arel, I., Rose, D. C. and K arnowski, T. P. Deep ma ...
LSTM(长短时记忆网络)原理、pytorch实现、参数量分析以及应用场景简单总结
目录一.LSTM原理遗忘门输入门细胞状态更新输出门 LSTM数学模型二.lstm的实现三 .lstm学习参数总量分析一级pytorch框架下lstm输入总结 1.学习参数总量分析 2.p ...
深度学习——参数量计算
一.卷积层参数计算卷积层需要关注的参数有conv(kernel_size,in_channel,out_channel),即卷积核大小,输入输出通道数,和偏差bias. 计算公式:conv_para ...
深度学习--深度信念网络（Deep Belief Network）
本篇非常简要地介绍了深度信念网络的基本概念.文章先简要介绍了深度信念网络(包括其应用实例).接着分别讲述了:(1) 其基本组成结构--受限玻尔兹曼机的的基本情况,以及,(2) 这个基本结构如何组成深度 ...

深度卷机网络（Deep CNNs）的GFLOPS与参数量计算