1樓：王梓帆
不一定。
首先讓我迷惑的是參數量少了1/3推理時間還基本不變，少了的引數是基本都是parallel commutation裡面的嗎？
其二準確率不是唯一的performance metric，特別在分類任務中，看看你的confusion matrix，會有更多資訊。
其三，不同的模型可能convergence情況不同，比較不同的模型，需要在comparable setup中進行。這一部分題目沒有，無法分析。
2樓：若符
是改進。但是意義有多大要再商榷。如果只單一面對某個現實場景，你的模型應用上去，獲取了更小的儲存，從現實角度來說是否能帶來效益的提公升。
從科研學術角度來說，如果不能夠說清楚為什麼會這樣，價值也不算太大。如果能深入分析哪一部分沒有用，為什麼，這種改進對其他網路是不是也可以用，就比較有價值。
3樓：何文謙虛謹慎得不得了
這個問題題主說的不夠詳細，這個準確度和推理時間是在某乙個特定任務還是在很多任務上，在引數量減少三分之二的前提下generally都沒有變？深度學習在做model compression的時候關注的確實是在performance沒有顯著下降的前提下，盡可能削減trainable parameters的數量。狹義地來說，針對某個具體的task，題主的做法肯定是優化了，但如果沒有在多領域多工上做實驗，不能算作model compression
python中神經網路，機器學習，深度學習，人工智慧的關係？
冰笛 在紙上畫一顆樹，那麼樹冠可以比作是機器學習，其中的一部分枝蔓比作神經網路，這其中的一根比較粗壯的相當於深度學習 整棵樹是人工智慧的乙個剪影，而python則是畫筆和紙。 教員的好學生 python是一門語言，神經網路，機器學習，深度學習是演算法，人工智慧是工程，神經網路是機器學習的一種演算法，...
機器學習 深度學習 神經網路等網路的輸入層變數需要提前篩選嗎？
深藍遠景 傳統的機器學習需要人工篩選特徵，這個叫特徵工程。深度學習的出現，將特徵提取和監督學習放在乙個模型裡，如經典的CNN，通過不同的卷積核自動提取不同的特徵，最後接全連線進行監督學習。因此大多數深度學習都是直接將特徵輸入到輸入層監督學習，不同的深度可以學習到不同層次的特徵。 Leo李浩 仔細篩選...
深度學習微調網路,會導致網路對原本的資料識別效果變差嗎？
嚴謹的說，大概率會變差 所謂的微調不就是換乙個新的資料集新訓練幾次麼。在A資料集上擬合好的模型，換乙個B資料集肯定會偏離A的分布啊。運氣好的話，AB分布無限接近，如下圖 那學出來的模型必然影響不大，如果迭代少甚至有可能提公升 但是多數情況不會這樣，不同的資料分布差異倒不一定多大，但鑑於現在的模型幾乎...