模型剪枝与低精度量化融合的DNN模型压缩算法

• 作者: 吴进 杨雪 胡怡青
• 来源期刊: 电讯技术
• 学科: 工学
• 关键词: 深度学习 模型压缩 模型剪枝 参数量化
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 应用基础与前沿技术
• 页码范围: 617-624
• 页数: 8页
• 分类号: TN911.7|TP391.4
• 字数: 6873字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-893x.2020.06.001

摘要

拥有庞大参数量的网络模型很难部署在智能手机、可穿戴智能设备等资源受限的移动设备上.从深度神经网络模型的基本原理出发,在现有压缩算法的基础上,采用优化剪枝策略与参数量化的方法相融合,提出了一种结果导向的数据驱动剪枝算法,利用低精度的量化算法来进一步压缩模型.使用VGGNet作为原始模型,在Kaggle猫狗图像和Oxford102植物样本集上进行微调.实验数据表明,使用本实验改进的方法,模型压缩的存储容量下降到113.1 MB,识别率提高到86.74％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴进	西安邮电大学电子工程学院	51	202	9.0	12.0
2	杨雪	西安邮电大学电子工程学院	1	0	0.0	0.0
3	胡怡青	西安邮电大学电子工程学院	1	0	0.0	0.0