mirrors
/
PaddleClas
mirror of https://github.com/PaddlePaddle/PaddleClas.git
1
0
Fork 0
Code Issues Projects Releases Wiki Activity

Update PP-LCNet docs

pull/1293/head
cuicheng01 2021-10-14 05:06:16 +00:00
parent 233ad8ed24
commit 7b75bb9ab0
1 changed files with 2 additions and 2 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

4
docs/zh_CN/models/PP-LCNet.md
View File

@ -7,12 +7,12 @@
## 介绍
近年来，有很多轻量级的骨干网络问世，尤其最近两年，各种NAS搜索出的网络层出不穷，这些网络要么主打FLOPs或者Params上的优势，要么主打ARM设备上的推理速度的优势，很少有网络专门针对Intel CPU做特定的优化，导致这些网络在Intel CPU端的推理速度并不是很完美。基于此，我们针对Intel CPU设备以及其加速库MKLDNN设计了特定的骨干网络PP-LCNet，比起其他的轻量级的SOTA模型，该骨干网络可以在不增加推理时间的情况下，进一步提升模型的性能，最终大幅度超越现有的SOTA模型。与其他模型的对比图如下。
<img src="../../images/PP-LCNet/PP-LCNet-Acc.png" style="zoom:30%;" />
<img src="../../images/PP-LCNet/PP-LCNet-Acc.png" width="500" height="400" />
## 方法
网络结构整体如下图所示。
<img src="../../images/PP-LCNet/PP-LCNet.png" style="zoom:30%;" />
<img src="../../images/PP-LCNet/PP-LCNet.png" width="500" height="400" />
我们经过大量的实验发现，在基于Intel CPU设备上，尤其当启用MKLDNN加速库后，很多看似不太耗时的操作反而会增加延时，比如elementwise-add操作、split-concat结构等。所以最终我们选用了结构尽可能精简、速度尽可能快的block组成我们的BaseNet（类似MobileNetV1）。基于BaseNet，我们通过实验，总结了四条几乎不增加延时但是可以提升模型精度的方法，融合这四条策略，我们组合成了PP-LCNet。下面对这四条策略一一介绍：