Сверточные нейронные сети (CNN) используются во многих областях машинного обучения. В таким сетях преимущественно используются числа с плавающей точкой, соответственно, чем глубже сверточная сеть, тем больше ее вычислительная стоимость. Добавление тропического слоя (TCNN) помогает уменьшить количество необходимых умножений с помощью замены операции умножения операцией сложения, а сложения – выбором max/min. В докладе будет разобран пример работы такой сети, а также дан сравнительный анализ с обычной CNN на датасетах MNIST и CIFAR10. Будут разобраны преимущества и недостатки таких сетей в различных условиях (с добавлением шума).
