目前，神经网络架构设计多以计算复杂度的间接度量——FLOPs为指导。然而，直接的度量，如速度，也取决于其他因素，如内存访问成本和平台特性。因此，这项工作建议评估目标平台上的直接度量，而不仅仅是考虑失败。在一系列控制实验的基础上，本文得出了一些有效设计网络的实用指南。据此，提出了一种新的体系结构，称为ShuffleNet V2。综合消融实验证明，我们的模型在速度和精度方面是最先进的。
论文地址：https://arxiv.org/abs/1807.11164
代码地址：https://github.com/megvii-model/ShuffleNet-Series
文章目录
-
- 原理解析
- 网络结构
- 源代码
- RT-DETR 更换方式
- 参数量与计算量
