本文内容：添加PCONV
目录
论文简介
为了设计快速的神经网络，许多工作都集中在减少浮点运算(FLOPs)的数量上。然而，我们观察到FLOPs的这种减少并不一定会导致类似程度的延迟减少。这主要源于低效率的每秒浮点操作数(FLOPS)。为了实现更快的网络，我们回顾了流行的运营商，并证明了如此低的FLOPS主要是由于运营商频繁的内存访问，特别是深度卷积。因此，我们提出了一种新的部分卷积(PConv)，通过减少冗余计算和同时存储访问，更有效地提取空间特征。在我们的PConv的基础上，我们进一步提出了FasterNet，这是一个新的神经网络家族，它在广泛的设备上获得了比其他神经网络更高的运行速度，而不会影响各种视觉任务的准确性。例如，在ImageNet1k上，我们的微型FasterNet-T0在GPU、CPU和ARM处理器上分别比MobileViT-XXS快2.8倍、3.3倍和2.4倍，同时准确率提高2.9%。我们