轻量级卷积神经网络的准确性和效率基准测试

一项新近发表在arXiv上的研究，为轻量级卷积神经网络（CNNs）提供了一个可复现的基准测试。该研究在CIFAR-10、CIFAR-100和Tiny ImageNet数据集上比较了七种已建立的架构。研究人员在统一的微调协议下，根据准确性、参数数量、存储和计算操作评估了模型。EfficientNetV2-S取得了最高的Top-1准确率，而EfficientNet-B0在性能和效率之间取得了良好的平衡，使用的参数和操作数量显著减少。研究还强调了ImageNet预训练的巨大优势，尤其是在CIFAR-100和Tiny ImageNet等较大的数据集上。 AI

影响 为选择高效的卷积神经网络提供了清晰的参考，有助于开发人员在资源受限的环境中进行选择。

排序理由 学术论文，详细介绍了现有模型的基准比较。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• CIFAR-10
• CIFAR-100
• EfficientNet-B0
• EfficientNetV2-S
• ImageNet
• MobileNetV3-Small
• Tiny ImageNet

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →