深度神经网络繁多，各自的性能指标怎样？
实际应用中，在速度、内存、准确率等各种约束下，应该尝试哪些模型作为backbone？
有paper对各个网络模型进行了对比分析，形成了一个看待所有主要模型的完整视角，其分析结果可以在实践中提供指导和帮助。
这篇博客主要整合了其中3篇文章的结论，分别是
- 201605-An Analysis of Deep Neural Network Models for Practical Applications
- 201809-Analysis of deep neural networks
- 201810-Benchmark Analysis of Representative Deep Neural Network Architectures
文章1和3是paper，2是篇博客（对1的更新）。这3篇文章对图像识别任务（ImageNet-1k）主要的state of the art网络进行了对比分析，采用的指标有：
- accuracy，准确率，只使用cental crop，评估Top1、Top5在ImageNet-1k上的准确率
- model complexity，模型复杂度，通过模型的可学习参数量衡量（近似为模型文件大小），反映了自由度
- computational complexity，计算复杂度，操作次数，通过floating-point operations (FLOPs)衡量，Multiply-add乘加运算为2 FLOPS
- memory usage，内存大小（空间复杂度）
- inference time，推理时间
- accuracy density，等于 accuracy / modle size，用来衡量参数的利用效率
比较重要的结论有：
- 计算复杂度高，识别准确率不一定高；参数量大，识别准确率也不一定高。——好的网络结构设计很重要，比如ResNet系的模型。
- 不同模型的参数利用效率不同，目前来看针对移动端设计的网络参数利用效率较高，如MobileNet、ShuffleNet、SqueezeNet等，但在Top1准确率高于80%的模型中，Inception-V4和SE-ResNeXt-101的利用率较高
- 操作次数（FLOPs）是推理时间的良好估计
- 为了满足不同的内存和速度要求，可选的最优模型不同
其他一些更细致的结论可以参看论文，下面贴一下论文中的重要图表。
论文An Analysis of Deep Neural Network Models for Practical Applications诞生于2016年5月，文中对当时的主要模型（从AlexNet到Inception-v4）进行了对比分析，得到了那张流传甚广的ball chart。后来在2018年9月，文章作者Eugenio Culurciello在博客Analysis of deep neural networks中，对图表进行了更新，包括了Shufflenet、Mobilenet、Xception、Densenet、Squeezenet等新近模型的对比分析，更新的ball chart如下：
图中，blob的中心为模型在图表中的位置，blob的大小对应模型的参数量，横轴为操作次数，纵轴为Top-1 center crop的准确率，越靠近左上角的模型计算复杂度越低、准确率越高，blob越小的模型参数越少。
论文An Analysis of Deep Neural Network Models for Practical Applications中，推理时间和操作数的关系图表如下，不出意料的正相关
论文Benchmark Analysis of Representative Deep Neural Network Architectures中，做了更详细的对比，如下图所示，左上角ResNet系的模型表现强劲，右上角NASNet-A-Large的准确率最高但计算复杂度也最大：
参数利用率如下：
速度（帧率）与准确率如下，图中的曲线为特定硬件下帧率与性能的上界，横轴为帧率的对数，
模型参数量与内存占用大小如下，GPU上内存占用最少的也在0.6G以上，
对于每个网络具体的推理时间和内存占用情况可以参见论文原文，有更详细的描述。
给定硬件平台上，在不同内存和速度约束下的最优模型如下：
Benchmark Analysis of Representative Deep Neural Network Architectures的代码基于pytorch，详见models-comparison.pytorch。