ShuffleNet paper笔记(附shuffle代码)

ShuffleNet是一种专为移动设备设计的轻量级CNN模型,通过引入pointwisegroupconvolution和channelshuffle两种新操作来提升效率。pointwisegroupconvolution利用1x1卷积进行分组,减少计算量;channelshuffle则通过重新排列通道来增加信息交互,缓解信息量减少的问题。

shuffleNet是一个轻量化的CNN模型,paper链接
主要面向mobile device(有限的算力)设计。
主要有2个新的operations: pointwise group convolution 和 channel shuffle

pointwise group convolution

说到pointwise group convolution,不得不先提到group convolution,
它是在AlexNet中第一次提到,详细介绍见这篇文章
在这里插入图片描述
channel分成了G个组,每个组的卷积核尺寸为C/G * K * K, C是input channel数量。
output channel数量为N,分到每个组的channel就为N/G,所以每个组需要N/G个卷积核。
大概就是这个意思。

再说一下pointwise convolution, 它就是1x1卷积。

pointwise group convolution, 就是卷积核的大小是1x1,再加上上面的分组操作。
后面再说它用在哪。

channel shuffle

然后是channel shuffle的提出,为什么要shuffle。

### 如何在 PaperWithCode 上选择合适的代码实现 #### 浏览特定领域或任务 PaperWithCode 对不同研究领域进行了细致的任务分类,这使得用户能够快速定位到感兴趣的机器学习任务。例如,在计算机视觉(CV)、自然语言处理(NLP)等领域下有许多具体子任务可供探索[^3]。 #### 查看排行榜(SOTA) 对于每一个任务页面,通常会展示该领域的State-of-the-Art (SOTA)模型列表。这些模型按照某些评价指标排序,可以直观地看到哪些工作表现最好。点击进入某个具体的成果后就能找到其关联的文章摘要以及官方推荐的代码仓库链接[^5]。 #### 阅读论文详情页的信息 当访问某篇特定的研究报告时,除了能看到基本介绍外,还会有更多有助于判断是否采用此版本作为参考的内容: - **星级评分**:社区成员给予的好评数量可以帮助评估项目质量; - **评论区反馈**:其他开发者留下的意见往往能揭示潜在问题或者改进之处; - **实现说明文档**:详尽的README文件应当解释了安装环境配置指南、训练过程参数设定等重要细节[^1]; #### 检查代码库活跃度和支持情况 一个好的实践建议是从GitHub Stars数目的多少来初步衡量一个项目的受欢迎程度。同时也要关注最近一次提交的时间戳——持续更新意味着维护者积极解决问题并保持软件与时俱进的能力更强。另外,如果存在详细的Issue跟踪记录,则表明团队愿意倾听外界声音并对疑问做出回应[^2]。 ```python import requests from bs4 import BeautifulSoup def fetch_paper_info(paper_url): response = requests.get(paper_url) soup = BeautifulSoup(response.text, 'html.parser') # Extract relevant information such as title, authors, abstract etc. paper_title = soup.find('h1', class_='title').text.strip() code_links = [a['href'] for a in soup.select('.code-links a')] return { "Title": paper_title, "Code Links": code_links } # Example usage paper_data = fetch_paper_info("https://paperswithcode.com/paper/coatnet-co-attention-on-convolutions-and") print(paper_data) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值