通过层复制加速自动模型寻找MobileNetV2的案例研究
Kritpawit Soongswang1, Chantana Chantrapornchai1
1Department of Computer Engineering, Kasetsart University, Bangkok, Thailand.
PloS one
|August 22, 2024
概括
本研究介绍了一种有效的方法,通过智能复制层来优化3D人脸识别模型,显著减少搜索时间并提高准确性. 该方法通过使用分布式和并发式培训策略来提高MobileNetV2的性能.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习架构 深度学习架构
背景情况:
- 3D人脸识别模型需要大量的计算资源来进行架构搜索.
- 优化模型架构对于提高准确性和减少训练时间至关重要.
- 移动NetV2是一个流行的架构,但其在3D面部识别中的应用可以进一步改进.
研究的目的:
- 开发一种方法来减少模型架构在3D人脸识别中的搜索时间.
- 通过层复制来提高MobileNetV2在3D人脸识别任务中的准确性.
- 调查分布式数据平行和并发培训的有效性,以加快模型寻找过程.
主要方法:
- 提出了一个算法来识别神经网络的最佳层复制配置.
- 使用MobileNetV2作为3D面部识别的案例研究.
- 实施并比较分布式数据平行训练和并发模型训练加速方法.
- 评估了在各种条件下进行层复制的自动模型寻找过程.
主要成果:
- 与之前的3D MobileNetV2工作相比,精度提高了多达6%,与香草MobileNetV2.2相比,精度提高了8%.
- 与单个GPU训练相比,在四个GPU上使用分布式数据并行训练将模型训练时间减少高达75%.
- 对于自动模型发现的并发培训方法比分布式培训快了1,932分钟.
结论:
- 提出的层复制的自动模型寻找过程在优化3D人脸识别模型方面是有效的.
- 层复制,结合高效的训练策略,显著提高模型的准确性,并减少计算开销.
- 这种方法为加速开发高性能3D人脸识别系统提供了实用解决方案.
