一般来说，更复杂的神经网络（例如，具有128层的对象分类CNN）在训练时需要更多的“资源”（时间、GPU数量）比一个较简单的神经网络（例如，具有32层的对象分类CNN）。我找到一个链接，其中对不同类型的CNN及其训练所需的“资源”进行了非常好的总结：https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.html

然而，在训练完成后，当我们实际使用这些神经网络时（例如，自动驾驶汽车使用训练好的CNN来帮助导航），更复杂且更准确的神经网络是否需要更多的“计算资源”（可能是CPU、内存等）来运行，而不是较简单、准确度较低的神经网络？

我问的是一个通用问题，神经网络不限于对象分类，也可以包括NLP或其他领域的神经网络。

如果答案是“视情况而定”，您能提供一些更复杂、更准确的神经网络使用更多资源运行的例子吗？与较简单/准确度较低的神经网络相比？

回答：

最近发布的CVPR 2017论文题为现代卷积对象检测器的速度/准确性权衡（Huang等人）比较了不同的特征提取器与一些作者称为“元架构”的神经网络架构。他们比较了这些构建的模型在速度、内存使用和准确性方面的表现。