各种卷积性能对比(Conv,DwConv,GhostConv,PConv,DCNV)

9月前作者：@BangBang 分类：Toy博客阅读(42) 违法举报

这篇具有很好参考价值的文章主要介绍了各种卷积性能对比(Conv,DwConv,GhostConv,PConv,DCNV)。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1. 各类Conv性能对比

各种卷积性能对比(Conv,DwConv,GhostConv,PConv,DCNV)

对比的卷积包括: Conv2D,Depth-Conv2d(DW),Ghost-Conv2D,GSConv2D,DSConv2D,PConv2D,DCNV2(可变形卷积)、DCNV3(可变形卷积)
可以看出来性能最好的是Ghost-Conv2d，mean_time为0.00623;其次是DSConv2D性能也非常好,mean_time为0.00683。性能最差很自然就是我们的普通卷积Conv2D
PConv是最新提出来的，速度也是飞快的，参数量和mean_time是最少的。但正常使用的时候不是单独使用PConv, 它还会做一些其他的卷积操作，通过组成Block形式嵌入到模型中，比如Faster_Block，因此单独看PConv速度性能是无法对比的。

1. 代码说明

由于对比了DCNV3，它需要依赖一些安装包，所以需要提前安装下，安装包ops_dconv3也会在代码中给出。
文章来源地址https://www.toymoban.com/news/detail-494684.html

到了这里，关于各种卷积性能对比(Conv,DwConv,GhostConv,PConv,DCNV)的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

YOLOv5全网独家首发：DCNv4更快收敛、更高速度、更高性能，效果秒杀DCNv3、DCNv2等，助力检测实现暴力涨点

💡💡💡 本文独家改进： DCNv4更快收敛、更高速度、更高性能，完美和YOLOv5结合，助力涨点 DCNv4优势： (1) 去除空间聚合中的softmax归一化，以增强其动态性和表达能力；(2) 优化存储器访问以最小化冗余操作以加速。这些改进显著加快了收敛速度，并大幅提高了处理速度

2024年01月19日
浏览(60)
理解3d卷积conv3d

作分类时,对于不同类别的数据,无论是使用什么方法和分类器(仅限于线性回归和深度学习)去拟合数据,都首先要构建适合数据的多种特征(比如根据性别、年龄、身高来区分一个人是否喜欢打篮球).之后的处理过程是,权重参数都要和不同的特征分别相乘,然后再将不同的乘积加起

2023年04月24日
浏览(42)
[Pytorch]卷积运算conv2d

torch.nn.functional.Conv2d()的详细参数：即F.Conv2d的主要参数如下： input：输入特征图 weight：卷积核 bias：偏置参数 stride：卷积步长 padding：填充 dilation：膨胀系数 groups：分组卷积利用F.Conv2d对图像中的暗线进行识别demo： pytorch中的卷积运算接口可使用torch.nn中的Conv2d(): pytorch官方

2024年02月14日
浏览(40)
可变形卷积(Deformable Conv)原理解析与torch代码实现

1.1 普通卷积原理传统的卷积操作是将特征图分成一个个与卷积核大小相同的部分，然后进行卷积操作，每部分在特征图上的位置都是固定的。图1 普通卷积过程图1所示为普通卷积在输入特征图上进行卷积计算的过程，卷积核大小为3*3，在输入特征

2024年02月03日
浏览(32)
【Pytorch】三维卷积 nn.Conv3d 用法

nn.Conv3d 是 PyTorch 中实现三维卷积操作的类。其输入和输出的维度如下：输入维度：输入张量的维度应为 (N, C_in, D, H, W) ，其中： N : 批量大小 (batch size)，即一批输入数据中包含的样本数量。 C_in : 输入通道数 (number of input channels)，即输入数据的通道数量，例如彩色图像通常

2024年02月05日
浏览(49)
3. 5种常见卷积论文、解读、使用方法、实现代码整理（conv）

下载地址 Convolution Series 1. Depthwise Separable Convolution Usage 2. MBConv Usage 3. Involution Usage 4. DynamicConv Usage 5. CondConv Usage Pytorch implementation of “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications—CVPR2017” Pytorch implementatio

2024年02月05日
浏览(62)
Pytorch中的卷积与反卷积(conv2d和convTranspose2d)

卷积是特征提取的常用操作，卷积可以改变图片的通道和大小，相比全连接操作，卷积可以减少计算量，并且充分融合图像的局部特征。

2024年02月06日
浏览(37)
一维卷积神经网络理解（torch.nn.Conv1d）

in_channels : (int)输入数据的通道数，即对某条训练数据来说由多少组向量表示。例如对于由一维向量表示的一条数据来说，通道数为1；对于文本数据来说，一个句子是由m个单词组成，那么通道数就可以是m out_channels : (int)卷积产生的通道数，可以理解为卷积核的个数 kernel_siz

2023年04月08日
浏览(42)
【nn.Conv3d】三维卷积参数量与运算量

输入：一个长度为7帧的RGB视频，单帧通道数为3，视频的宽高为60×40，1个视频故bs=1 -- (1, 3, 7, 60, 40) 3d卷积：nn.Conv3d(3, 5, (4, 7, 7), stride=1, padding=0) 3代表输入特征图通道数，5代表输出特征图通道数，4和7分别代表3d卷积的通道数和宽高。（此外stride和padding也可以设定为 (a,b,b)

2024年02月11日
浏览(33)
CNN(一维卷积Conv1D)实现时间序列预测(PyTorch版)

💥项目专栏：【深度学习时间序列预测案例】零基础入门经典深度学习时间序列预测项目实战（附代码+数据集+原理介绍）

2024年02月01日
浏览(40)