動態計算（Dynamic Computation）就是資源充足時就做到最好，資源不足時就減少運算量、先求有再求好(但也不要太差)。
一種方法是訓練多個從小到大的model，然後選擇合適的模型，這樣的問題是需要存儲很多個model。
另外一種方法是，訓練一個在中間層就可以得到最終結果的model。因爲網絡淺層和深層提取到的特徵一般分別是低級特徵和高級特徵，所以在網絡淺層得到的結果一般要比在網絡深層得到的結果差一些。在網絡淺層就計算最終結果可能會迫使網絡淺層學習一些高級特徵，這會破壞網絡從淺層到深層逐步提取低/高級特徵的架構。那如何處理這些問題呢？可以看一看Multi-Scale Dense Convolutional Networks：https://arxiv.org/abs/1703.09844
Github（github.com）：@chouxianyu
Github Pages（github.io）：@臭鹹魚
知乎（zhihu.com）：@臭鹹魚
博客園（cnblogs.com）：@臭鹹魚
B站（bilibili.com）：@絕版臭鹹魚
微信公衆號：@臭鹹魚
轉載請註明出處，歡迎討論和交流!