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

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!

领支付宝红包 赞助服务器费用

相关文章

  • 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(64)
  • 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(47)
  • [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(42)
  • 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(34)
  • 【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(52)
  • 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(64)
  • 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(39)
  • 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(45)
  • 【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(38)
  • 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(44)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包