文献类型：期刊文章

作　　者：杨康[1] 郭荣佐[1] 李超[2] 许建荣[3] 严阳春[1] 宫禄齐[2]

YANG Kang;GUO Rong-zuo;LI Chao;XU Jian-rong;YAN Yang-chun;GONG Lu-qi(College of Computer Science,Sichuan Normal University,Chengdu 610101,China;Institute of Computing Technology,Chinese Academy of Sciences,Beijing 100190,China;Key Laboratory of Opto-Electronics Technology of Ministry of Education,Faculty of Information Technology,Beijing University of Technology,Beijing 100124,China)

机构地区：[1]四川师范大学计算机科学学院,四川成都610101 [2]中国科学院计算技术研究所,北京100190 [3]北京工业大学信息学部光电子技术教育部重点实验室,北京100124

出　　处：《计算机工程与设计》

基　　金：国家自然科学基金青年基金项目(61701331)。

年　　份：2021

卷　　号：42

期　　号：4

起止页码：1109-1115

语　　种：中文

收录情况：BDHX、BDHX2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目前剪枝方法中还没有对信息量分布不均的神经网络层做不同剪枝率处理的方法,为此提出一种对不同网络层剪枝不同比例的方式。逐层恢复已经被剪枝神经网络模型的各层,得到各层与模型性能的相关性,对神经网络层进行分类级,对不同类级的神经网络标定不同剪枝率。结合FPGM剪枝方法在cifar10数据集上的实验结果表明,在总体剪枝计算量不变的情况下,不同层级不同剪枝量的方法,模型性能损失更少;在模型性能损失保持良好条件下,可对模型剪枝更高的剪枝量。

关 键 词：模型压缩  剪枝 性能相关性  剪枝率  

分 类 号：TP399]