本文深入探讨了Winograd变换在卷积神经网络中的应用，以减少计算复杂性。具体讨论了F（2x2, 3x3）、F（3x3, 2x2）和F（4x4, 3x3）的快速滤波算法，这些算法通过减少乘法次数来提高效率。对于F（2x2, 3x3），实现了从6乘法到4乘法的转换，而F（3x3, 2x2）和F（4x4, 3x3）同样展示了乘法次数的显著减少。然而，随着瓷砖尺寸的增加，变换的复杂性和数值精度问题也随之增加。"
135562438,7912726,MATLAB实现最小二乘法拟合与消除多项式趋势,"['MATLAB', '数值计算', '数据拟合', '编程语言']
论文：Fast Algorithms for Convolutional Neural Networks
本博客关注于论文中Winograd 变换部分
在1D，2D和多维度中，最小算法需要等于输入数量的多次乘法。 换句话说，为了计算F（m，r），我们必须访问m + r-1个数据值的间隔，并且为了计算F（m×n，r×s），我们必须访问（m + r- 1）×（n + s-1）数据值。 因此，最小滤波算法需要每个输入一次乘法。
1、F（2x2，3x3）
F（2,3）的标准算法使用2×3 = 6乘法.Winograd [16，p。 43]记录了以下最小算法：
该算法仅使用4次乘法，因此通过公式μ（F（2，3））= 2 + 3 - 1 = 4最小化。它还使用涉及数据的4个加法，3次加法和2次乘法， 过滤器（总和g0 + g2可以计算一次），另外4个加法将产品减少到最终结果。
快
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
