深度學習模型越小，檢測速度是不是一定越快？
目標檢測模型的佔用空間和檢測速度是不是一定成反比？我壓縮了一個模型，把SSD的基礎網路替換成mobilenet，但是檢測速度卻比之前的SSD網路要慢三分之一，這種情況正常嗎？
可參考shufflenet-v2，網路設計的四個指導原則
目前衡量模型複雜度的一個通用指標是FLOPs，具體指的是multiply-add的計算量，但是它並不完全等同於速度，影響速度的因素還有一個重要原因，MAC(memory access cost)，具體可以參考曠視的shufflenetv2中關於設計網路的四條準則。
不是。速度受參數量和網路結構兩方面影響。
模型占空間大小 和 速度沒有直接聯繫，模型很小，輸入很大，照樣慢， 速度和模型計算量關係最大，但不同硬體上又有差異， 也和卷積的優化程度有關，depthwise在很多設備上就很慢，雖然計算量小
你不會用的是caffe吧，caffe的深度可分離卷積實現不高效，還不如普通卷積了
推薦閱讀：
