1 提出问题 减少GFLOPs就一定能提高模型的运行速度吗？一般人认为这个是理由应当的。但是在FasterNet文章中，作者告诉我们：不一定！ 延迟与浮点数运算的关系如下： Latency=FLOPs÷FLOPS FLOPs：模型浮点数运算 FLOPS：每秒浮点数运算 这个你们在实验中可以得到验证，MobileNetV3主干网络替换之后，参数量下降很多，FLOPs也下降很多，但是在GPU平台上

简介 论文原址：2023CVPR：https://arxiv.org/pdf/2303.03667.pdf 代码仓库：GitHub - JierunChen/FasterNet: [CVPR 2023] Code for PConv and FasterNet 为了设计快速神经网络，很多工作都集中于减少浮点运算（FLOPs）的数量上面，但是作者发现FLOPs的减少不一定会带来延迟的类似程度的

paper：Run, Don't Walk: Chasing Higher FLOPS for Faster Neural Networks official implementation：https://github.com/jierunchen/fasternet 存在的问题 为了设计轻量、速度快的网络，许多工作都专注于减少floating-point operations (FLOPs

一、本文介绍 本文给大家带来的改进机制是FasterNet网络，将其用来替换我们的特征提取网络，其旨在提高计算速度而不牺牲准确性，特别是在视觉任务中。它通过一种称为部分卷积（PConv）的新技术来减少冗余计算和内存访问。这种方法使得FasterNet在多种设备上运行速度比其他网络快得多，同时在各种视觉任务中保持高准确率。经过我的实验该主干网络确实能够涨点在大中小三种物体检测上，同时该主干网络也提

为了设计快速神经网络，许多工作都集中在减少浮点运算（FLOPs）的数量上。然而，作者观察到FLOPs的这种减少不一定会带来延迟的类似程度的减少。这主要源于每秒低浮点运算（FLOPS）效率低下。 为了实现更快的网络，作者重新回顾了FLOPs的运算符，并证明了如此低的FLOPS主要是由于运算符的频繁内存访问，尤其是深度卷积。因此，本文提出了一种新的partial convolution（PCon

本文分享来自CVPR 2023的论文，提出了一种快速的主干网络，名为FasterNet。 论文提出了一种新的卷积算子，partial convolution，部分卷积(PConv)，通过减少冗余计算和内存访问来更有效地提取空间特征。 创新在于部分卷积(PConv)，它选择一部分通道的特性进行常规卷积，剩余部分通道的特性保持不变，降低了计算复杂度，从而实现了快速高效的神经网络。 区别于常规卷积

一、概述         FasterNet是CVPR2023的文章，通过使用全新的部分卷积PConv，更高效的提取空间信息，同时削减冗余计算和内存访问，效果非常明显。相较于DWConv，PConv的速度更快且精度也非常高，识别精度基本等同于大型网络Swin-B，但是在GPU上可以提升36%的吞吐量。原文地址和代码地址如下： Run, Don't Walk: Chasing Higher FL

一、概述         FasterNet是CVPR2023的文章，通过使用全新的部分卷积PConv，更高效的提取空间信息，同时削减冗余计算和内存访问，效果非常明显。相较于DWConv，PConv的速度更快且精度也非常高，识别精度基本等同于大型网络Swin-B，但是在GPU上可以提升36%的吞吐量。原文地址和代码地址如下： Run, Don't Walk: Chasing Higher FL