结合剪枝与流合并的卷积神经网络加速压缩方法

• 作者: 张英俊 潘理虎 谢斌红 钟日新
• 来源期刊: 计算机应用
• 学科: 工学
• 关键词: 卷积神经网络 模型压缩 网络剪枝 流合并 冗余
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 人工智能
• 页码范围: 621-625
• 页数: 5页
• 分类号: TP183
• 字数: 4938字
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2019081363

摘要

深度卷积神经网络因规模庞大、计算复杂而限制了其在实时要求高和资源受限环境下的应用,因此有必要对卷积神经网络现有的结构进行优化压缩和加速.为了解决这一问题,提出了一种结合剪枝、流合并的混合压缩方法.该方法通过不同角度去压缩模型,进一步降低了参数冗余和结构冗余所带来的内存消耗和时间消耗.首先,从模型的内部将每层中冗余的参数剪去;然后,从模型的结构上将非必要的层与重要的层进行流合并;最后,通过重新训练来恢复模型的精度.在MNIST数据集上的实验结果表明,提出的混合压缩方法在不降低模型精度前提下,将LeNet-5压缩到原来的1/20,运行速度提升了8倍.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	潘理虎	太原科技大学计算机科学与技术学院	95	287	10.0	12.0
3	张英俊	太原科技大学计算机科学与技术学院	63	275	9.0	13.0
4	谢斌红	太原科技大学计算机科学与技术学院	36	175	9.0	10.0
7	钟日新	太原科技大学计算机科学与技术学院	1	0	0.0	0.0