标签归档:图像识别

Very Deep Convolutional Networks for Large-Scale Image Recognition笔记

本文是20140919的周报,没写完,后补全。

Abstract

本文研究了CNNs的深度对于其准确率的影响,最后通过评估发现,当权值层达到16-19层的时候,能够在传统框架的基础上得到有效提高。

Introduction

ILSVRC-2013的冠军利用了更小的接收窗口和在第一个卷积层更小的步长。本文关注了CNNs的另一方面——深度。为了这个目的,作者修改了一些参数,添加了一些卷积层。 继续阅读

深度卷积神经网络CNNs的多GPU并行框架及其在图像识别中的应用

本周主要阅读了文章《深度卷积神经网络CNNs的多GPU并行框架及其在图像识别中的应用》。

本文主要提出在深度卷积神经网络的运算过程中,由于需要大量消耗GPU的显存,所以为了让包含有较多参数的网络能够进行训练,则需要通过多GPU模型通过并行技术进行协同训练。

由于卷积神经网络结构非常适合模型并行的训练,所以最终采用了模型并行+数据并行的方式来加速了深度卷积神经网络的训练,并且最终证实取得了较大收获。 继续阅读