The CNN B has fewer convolutional l

The CNN B has fewer convolutional layers than the Starting CNN. The fully-connected layer is exactly the same in both networks. Hence, the two CNNs have similar numbers of weights but the CNN B is about 11–13 times faster (depending on CPU/GPU processing). The absolute running time values show that the time gain becomes really essential when the processing is done by a CPU, which is often the case in big computational clusters or when images are processed separately rather than in batches (in the latter case, an impact from GPUs is negligible).

ผลลัพธ์ (ไทย) 1:

บีซีเอ็นเอ็นชั้น convolutional น้อยกว่าซีเอ็นเอ็นที่เริ่มต้นได้ ชั้นการเชื่อมต่อทั้งหมดจะตรงเหมือนกันในทั้งสองเครือข่าย ดังนั้น CNNs สองมีจำนวนน้ำหนักเหมือนกัน แต่บีซีเอ็นเอ็นได้เร็วประมาณ 11 – 13 ครั้ง (ขึ้นอยู่กับ CPU/GPU ประมวลผล) เวลาทำงานแน่นอนค่าแสดงว่า กำไรเวลากลายเป็นสิ่งจำเป็นจริง ๆ เมื่อทำการประมวลผล โดย CPU ซึ่งมักจะเป็นกรณีในคลัสเตอร์คอมพิวเตอร์ขนาดใหญ่ หรือเมื่อการประมวลผลภาพแยกต่างหากแทนที่ เป็นชุด (ในกรณีหลัง ผลกระทบจาก GPUs เป็นระยะ)

ผลลัพธ์ (ไทย) 2:

ซีเอ็นเอ็นบีมีน้อยชั้น convolutional กว่าเริ่มต้นของซีเอ็นเอ็น ชั้นที่เกี่ยวโยงกันอย่างเต็มที่เป็นสิ่งเดียวกันในเครือข่ายทั้งสอง ดังนั้นทั้งสอง CNNs มีตัวเลขที่คล้ายกันของน้ำหนัก แต่ซีเอ็นเอ็นบีเป็นเรื่องเกี่ยวกับวันที่ 11-13 ครั้งเร็ว (ขึ้นอยู่กับการประมวลผลของ CPU / GPU) ค่าเวลาทำงานที่แน่นอนแสดงให้เห็นว่ากำไรเวลากลายเป็นสิ่งจำเป็นจริงๆเมื่อการประมวลผลจะกระทำโดย CPU ซึ่งมักจะเป็นกรณีในกลุ่มการคำนวณขนาดใหญ่หรือเมื่อภาพที่มีการประมวลผลแยกจากกันมากกว่าใน batches (ในกรณีหลังผลกระทบจาก GPUs เป็นเล็กน้อย)

ผลลัพธ์ (ไทย) 3:

ซีเอ็นเอ็น B มีน้อยชั้นกว่าคอนเริ่มต้นซีเอ็นเอ็น พร้อมเชื่อมต่อเป็นชั้น ตรงเดียวกัน ทั้งในเครือข่าย ดังนั้น สอง cnns มีตัวเลขที่คล้ายกันของน้ำหนัก แต่ซีเอ็นเอ็น B ประมาณ 11 – 13 ครั้งเร็ว ( ขึ้นอยู่กับ CPU / GPU ประมวลผล ) แน่นอนใช้ค่าเวลาแสดงเวลาได้กลายเป็นที่จำเป็นจริง ๆ เมื่อประมวลผลเสร็จ โดยซีพียูซึ่งมักจะเป็นกรณีในการคำนวณกลุ่มใหญ่หรือเมื่อภาพจะถูกประมวลผลแยกมากกว่าในชุด ( กรณี หลังผลกระทบจาก GPUs กระจอก )