Skip to content

P
PaddleClas

PaddlePaddle / PaddleClas
大约 1 年 前同步成功

通知 115
Star 4999
Fork 1114
P
PaddleClas
提交 c6fc0c3a 编写于 作者: littletomatodonkey's avatar littletomatodonkey
浏览文件
操作

rename fp32->FP32

上级 8bead81c
显示空白变更内容
内联 并排
Showing with 6 addition and 44 deletion
docs/zh_CN/models/DPN_DenseNet.md
浏览文件 @ c6fc0c3a
......@@ -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)
......
docs/zh_CN/models/EfficientNet_and_ResNeXt101_wsl.md
浏览文件 @ c6fc0c3a
......@@ -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)
......
docs/zh_CN/models/HRNet.md
浏览文件 @ c6fc0c3a
......@@ -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)
......
docs/zh_CN/models/Inception.md
浏览文件 @ c6fc0c3a
......@@ -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)
......
docs/zh_CN/models/Mobile.md
浏览文件 @ c6fc0c3a
......@@ -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<br>(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_<br>x1_25 | 224 | 256 | 3.070 |
| MobileNetV3_large_<br>x1_0 | 224 | 256 | 3.173 |
| MobileNetV3_large_<br>x0_75 | 224 | 256 | 2.928 |
| MobileNetV3_large_<br>x0_5 | 224 | 256 | 2.979 |
| MobileNetV3_large_<br>x0_35 | 224 | 256 | 2.987 |
| MobileNetV3_small_<br>x1_25 | 224 | 256 | 3.003 |
| MobileNetV3_small_<br>x1_0 | 224 | 256 | 3.168 |
| MobileNetV3_small_<br>x0_75 | 224 | 256 | 2.974 |
| MobileNetV3_small_<br>x0_5 | 224 | 256 | 2.199 |
| MobileNetV3_small_<br>x0_35 | 224 | 256 | 2.240 |
| MobileNetV3_large_<br>x1_0_ssld | 224 | 256 | 3.173 |
| MobileNetV3_small_<br>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) |
......
docs/zh_CN/models/ResNet_and_vd.md
浏览文件 @ c6fc0c3a
......@@ -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)
......
docs/zh_CN/models/SEResNext_and_Res2Net.md
浏览文件 @ c6fc0c3a
......@@ -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)
......
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或