理解深度计算机视觉模型的性能:一种用于预测准确率和延迟的符号回归方法
《Sensors》:Understanding the Performance of Deep Computer Vision Models: A Symbolic Regression Approach to Accuracy and Latency Prediction
【字体:
大
中
小
】
时间:2026年06月29日
来源:Sensors 4.0
摘要
要在边缘硬件上部署深度视觉模型,就需要理解架构和训练超参数是如何共同影响模型精度与推理延迟的,但目前仍缺乏系统化、基于数据的分析方法来揭示这些关系。本文提出了一种两阶段统计框架,能够为二者提供可解释的精确解析结果。在第一阶段,我们通过距离相关性(dCor)和最大信息系数(MIC)对七个图像分类数据集进行了分析,发现批量大小和总层数是影响精度的最关键因素(平均dCor值为0.228,MIC值为0.174),而学习率对应的MIC值最高(0.226),这说明学习率与精度之间存在非单调关系。在第二阶段,我们采用了PySR符号回归方法——据我们所知,这是首次将该方法用于跨数据集的视觉模型精度预测——从而得到了简洁且易于理解的公式。针对不同数据集建立的模型,其精度范围在0.20到0.45之间;而通用模型在“留一法”测试中的平均精度为0.23,且在所有保留的数据集上均保持正值,相比之下,普通线性回归的精度则要低得多。此外,我们还为CPU、GPU和NPU分别推导出了特定的推理延迟公式,其性能优于传统基准模型,优势幅度在某个特定范围内,这一结果也进一步体现了不同硬件之间的显著差异。总体而言,这些研究成果为在边缘设备部署中筛选符合精度与延迟要求的深度视觉模型提供了可解释的替代模型。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号