مقایسه الگوریتم های ResNet50 و VGG16 از لحاظ سرعت و پیچیدگی پیاده سازی روی پردازنده های مختلف
عنوان مقاله: مقایسه الگوریتم های ResNet50 و VGG16 از لحاظ سرعت و پیچیدگی پیاده سازی روی پردازنده های مختلف
شناسه ملی مقاله: NCNIEE06_145
منتشر شده در ششمین کنفرانس ملی ایده های نو در مهندسی برق در سال 1396
شناسه ملی مقاله: NCNIEE06_145
منتشر شده در ششمین کنفرانس ملی ایده های نو در مهندسی برق در سال 1396
مشخصات نویسندگان مقاله:
فایزه شادمان فر - دانشجوی کارشناسی ارشد الکترونیک مدار مجتمع، دانشگاه آزاد اسلامی واحد خوراسگان
عاطفه سلیمی - عضو هیات علمی گروه برق، دانشگاه آزاد اسلامی واحد خوراسگان
خلاصه مقاله:
فایزه شادمان فر - دانشجوی کارشناسی ارشد الکترونیک مدار مجتمع، دانشگاه آزاد اسلامی واحد خوراسگان
عاطفه سلیمی - عضو هیات علمی گروه برق، دانشگاه آزاد اسلامی واحد خوراسگان
امروزه هوش مصنوعی جهت افزایش دقت و آسایش رشد بسیاری کرده است. در این راستا الگوریتمها و شبکه های مختلفی مطرح و شروع به کار کردهاند. یکی از معروفترین شبکه های توسعه یافته در حوزه یادگیری عمیق، شبکه های عصبی کانولوشن میباشند. هدف از استفاده از شبکه های عصبی کانولوشن پیشبینی و دسته بندی دیتابیسهای مختلف بدون دخالت حواس انسان میباشد. دو الگوریتم ResNet50 و VGG16 از الگوریتمهای معروف شبکه های عصبی کانولوشن میباشند. در این مقاله به مقایسه ساختار دو الگوریتم و سرعت اجرای آنها درپردازنده های مختلف پرداخته شده است.
کلمات کلیدی: شبکه های عصبی کانولوشن، ResNet50، VGG16
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/750835/