From c6fc0c3a490b0881edf7818bbb255e90d096dad4 Mon Sep 17 00:00:00 2001 From: littletomatodonkey Date: Mon, 13 Apr 2020 16:28:15 +0000 Subject: [PATCH] rename fp32->FP32 --- docs/zh_CN/models/DPN_DenseNet.md | 2 +- .../models/EfficientNet_and_ResNeXt101_wsl.md | 2 +- docs/zh_CN/models/HRNet.md | 2 +- docs/zh_CN/models/Inception.md | 2 +- docs/zh_CN/models/Mobile.md | 38 ------------------- docs/zh_CN/models/ResNet_and_vd.md | 2 +- docs/zh_CN/models/SEResNext_and_Res2Net.md | 2 +- 7 files changed, 6 insertions(+), 44 deletions(-) diff --git a/docs/zh_CN/models/DPN_DenseNet.md b/docs/zh_CN/models/DPN_DenseNet.md index 4dc811ba..3bfb52e4 100644 --- a/docs/zh_CN/models/DPN_DenseNet.md +++ b/docs/zh_CN/models/DPN_DenseNet.md @@ -3,7 +3,7 @@ ## 概述 正在持续更新中...... -该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。 +该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。 ![](../../images/models/DPN.png.flops.png) diff --git a/docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md b/docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md index 165d8536..22e31d07 100644 --- a/docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md +++ b/docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md @@ -3,7 +3,7 @@ ## 概述 正在持续更新中...... -该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。 +该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。 ![](../../images/models/EfficientNet.png.flops.png) diff --git a/docs/zh_CN/models/HRNet.md b/docs/zh_CN/models/HRNet.md index 576bc301..d021fe93 100644 --- a/docs/zh_CN/models/HRNet.md +++ b/docs/zh_CN/models/HRNet.md @@ -3,7 +3,7 @@ ## 概述 正在持续更新中...... -该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。 +该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。 ![](../../images/models/HRNet.png.flops.png) diff --git a/docs/zh_CN/models/Inception.md b/docs/zh_CN/models/Inception.md index 61d168b2..dfe68697 100644 --- a/docs/zh_CN/models/Inception.md +++ b/docs/zh_CN/models/Inception.md @@ -3,7 +3,7 @@ ## 概述 正在持续更新中...... -该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。 +该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。 ![](../../images/models/Inception.png.flops.png) diff --git a/docs/zh_CN/models/Mobile.md b/docs/zh_CN/models/Mobile.md index 1a6406f1..6ef51b5e 100644 --- a/docs/zh_CN/models/Mobile.md +++ b/docs/zh_CN/models/Mobile.md @@ -53,44 +53,6 @@ MobileNetV3是Google于2019年提出的一种基于NAS的新的轻量级网络 | ShuffleNetV2_swish | 0.700 | 0.892 | | | 0.290 | 2.260 | - -## FP32预测速度 - -| Models | Crop Size | Resize Short Size | Batch Size=1
(ms) | -|--------------------------------------|-----------|-------------------|--------------------------| -| MobileNetV1_x0_25 | 224 | 256 | 0.492 | -| MobileNetV1_x0_5 | 224 | 256 | 0.599 | -| MobileNetV1_x0_75 | 224 | 256 | 0.695 | -| MobileNetV1 | 224 | 256 | 0.739 | -| MobileNetV1_ssld | 224 | 256 | 0.739 | -| MobileNetV2_x0_25 | 224 | 256 | 1.014 | -| MobileNetV2_x0_5 | 224 | 256 | 1.216 | -| MobileNetV2_x0_75 | 224 | 256 | 1.392 | -| MobileNetV2 | 224 | 256 | 1.153 | -| MobileNetV2_x1_5 | 224 | 256 | 1.516 | -| MobileNetV2_x2_0 | 224 | 256 | 1.819 | -| MobileNetV2_ssld | 224 | 256 | 1.153 | -| MobileNetV3_large_
x1_25 | 224 | 256 | 3.070 | -| MobileNetV3_large_
x1_0 | 224 | 256 | 3.173 | -| MobileNetV3_large_
x0_75 | 224 | 256 | 2.928 | -| MobileNetV3_large_
x0_5 | 224 | 256 | 2.979 | -| MobileNetV3_large_
x0_35 | 224 | 256 | 2.987 | -| MobileNetV3_small_
x1_25 | 224 | 256 | 3.003 | -| MobileNetV3_small_
x1_0 | 224 | 256 | 3.168 | -| MobileNetV3_small_
x0_75 | 224 | 256 | 2.974 | -| MobileNetV3_small_
x0_5 | 224 | 256 | 2.199 | -| MobileNetV3_small_
x0_35 | 224 | 256 | 2.240 | -| MobileNetV3_large_
x1_0_ssld | 224 | 256 | 3.173 | -| MobileNetV3_small_
x1_0_ssld | 224 | 256 | 3.168 | -| ShuffleNetV2 | 224 | 256 | 1.861 | -| ShuffleNetV2_x0_25 | 224 | 256 | 1.410 | -| ShuffleNetV2_x0_33 | 224 | 256 | 1.271 | -| ShuffleNetV2_x0_5 | 224 | 256 | 1.389 | -| ShuffleNetV2_x1_5 | 224 | 256 | 1.239 | -| ShuffleNetV2_x2_0 | 224 | 256 | 2.152 | -| ShuffleNetV2_swish | 224 | 256 | 2.150 | - - ## CPU预测速度和存储大小 | Models | batch_size=1(ms) | Storage Size(M) | diff --git a/docs/zh_CN/models/ResNet_and_vd.md b/docs/zh_CN/models/ResNet_and_vd.md index 89a55d4f..5c305b94 100644 --- a/docs/zh_CN/models/ResNet_and_vd.md +++ b/docs/zh_CN/models/ResNet_and_vd.md @@ -11,7 +11,7 @@ ResNet系列模型是在2015年提出的，一举在ILSVRC2015比赛中取得冠 其中，ResNet50_vd_v2与ResNet50_vd_ssld采用了知识蒸馏，保证模型结构不变的情况下，进一步提升了模型的精度，具体地，ResNet50_vd_v2的teacher模型是ResNet152_vd（top1准确率80.59%），数据选用的是ImageNet-1k的训练集，ResNet50_vd_ssld的teacher模型是ResNeXt101_32x16d_wsl（top1准确率84.2%），数据选用结合了ImageNet-1k的训练集和ImageNet-22k挖掘的400万数据。知识蒸馏的具体方法正在持续更新中。 -该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。 +该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。 ![](../../images/models/ResNet.png.flops.png) diff --git a/docs/zh_CN/models/SEResNext_and_Res2Net.md b/docs/zh_CN/models/SEResNext_and_Res2Net.md index 94631554..90955354 100644 --- a/docs/zh_CN/models/SEResNext_and_Res2Net.md +++ b/docs/zh_CN/models/SEResNext_and_Res2Net.md @@ -7,7 +7,7 @@ SENet是2017年ImageNet分类比赛的冠军方案，其提出了一个全新的 Res2Net是2019年提出的一种全新的对ResNet的改进方案，该方案可以和现有其他优秀模块轻松整合，在不增加计算负载量的情况下，在ImageNet、CIFAR-100等数据集上的测试性能超过了ResNet。Res2Net结构简单，性能优越，进一步探索了CNN在更细粒度级别的多尺度表示能力。Res2Net揭示了一个新的提升模型精度的维度，即scale，其是除了深度、宽度和基数的现有维度之外另外一个必不可少的更有效的因素。该网络在其他视觉任务如目标检测、图像分割等也有相当不错的表现。 -该系列模型的FLOPS、参数量以及fp32预测耗时如下图所示。 +该系列模型的FLOPS、参数量以及FP32预测耗时如下图所示。 ![](../../images/models/SeResNeXt.png.flops.png) -- GitLab