在最後一天的内容中,我们会以参数量、乘法数、训练过程中每一个epoch所需的时间
与测试过程中每一笔资料样本所需的时间
来评估静态与动态模型的复杂度。MLP、CNN 及 LSTM-RNN 乘法运算量计算方式如下:
三种模型的复杂度分析如下:
#hidden layers | # parameters | # mul. operations | training time per epoch | test time per data |
---|---|---|---|---|
1 | 11,705 | 11,670 | 1s | 0.007s |
2 | 12,635 | 12,570 | 1s | 0.008s |
3 | 13,565 | 13,470 | 1s | 0.01s |
表1: 静态模型 MLP 复杂度分析
model | # parameters | # mul. operations | training time per epoch | test time per data |
---|---|---|---|---|
Basic CNN | 24,675 | 296K | 1s | 0.014s |
Multi-scale CNN | 139,805 | 6.5M | 3s | 0.035s |
Multi-scale CNN with attention | 149,405 | 6.7M | 3s | 0.045s |
表2: 静态模型 CNN 复杂度分析
model | # parameters | # mul. operations | training time per epoch | test time per data |
---|---|---|---|---|
LSTM-RNN (last-frame only) | 27,389 | 37,628 | 423s | 0.8s |
LSTM-RNN (mean-pooling over time) | 27,389 | 37,628 | 434s | 0.8s |
LSTM-RNN with attention | 25,675 | 36,230 | 215s | 0.4s |
表3: 动态模型 LSTM-RNN 复杂度分析
这 30 天的语音辨识&语音情绪辨识的旅程就到这边了,感谢大家的阅读&指教,下台一鞠躬!!
<<: 用 Python 畅玩 Line bot - 08:Audio message part2
前言 今天要来讲说 Helm 这个工具 因为 Helm 版本会不断推陈出新, 因此在今天的内容着重再...
在屋久岛的旅程,最大的惊喜是在第一天的山小屋遇到一个单独登山的大学生 R君 一边做饭闲聊几句後,同行...
今天我们要来讨论高并发下的资料库考量 Day03_高并发下的资料库考量 ...
今天要来介绍Composite Pattern,是属於Structural Design Pat...
设计的部分就不多做分析,主要呈现实作成果。 以下内容有参考教学影片,底下有附网址。 (内容包括我的不...