1. FasterNeT介绍

1.1  摘要： 为了设计快速神经网络，许多工作一直致力于减少浮点运算（FLOP）的数量。 然而，我们观察到，FLOP 的减少并不一定会导致延迟的类似程度的减少。 这主要源于每秒浮点运算 (FLOPS) 效率低下。 为了实现更快的网络，我们重新审视流行的算子，并证明如此低的 FLOPS 主要是由于算子的频繁内存访问，尤其是深度卷积。 因此，我们提出了一种新颖的部分卷积（PConv），通过同时减少冗余计算和内存访问，更有效地提取空间特征。 在我们的 PConv 的基础上，我们进一步提出了 FasterNet，这是一个新的神经网络系列，它在各种设备上比其他网络获得更高的运行速度，而不会影响各种视觉任务的准确性。 例如，在 ImageNet1k 上，我们的小型 FasterNet-T0 在 GPU、CPU 和 ARM 处理器上分别比 MobileViT-XXS 快 2.8 倍、3.3 倍和 2.4 倍，同时准确度提高 2.9%。 我们的大型 FasterNet-L 实现了令人印象深刻的 83.5% top-1 准确率，与新兴的 Swin-B 相当，同时 GPU 上的推理吞吐量提高了 36%，并节省了 37% 的 CPU 计算时间。

官方论文地址：https://arxiv.o