卷积神经网络的卷积实现及其性能分析

本文针对广泛应用于图像分类和语音识别等各个领域的卷积神经网络方法，探索不同实现方式下卷积神经网络核心模块的性能差异，并总结出一定的使用规律和策略。随着问题规模和样本的增加，网络结构也日趋复杂，利用各类方法提升卷积神经网络的计算性能尤为重要。实验结果表明在一般情况下采用im2col方法实现卷积运算具有更高的性能，并进一步讨论了数据并行和模型并行的优化。