文献类型：期刊文章

作　　者：姜晓勇[1,2] 李忠义[1] 黄朗月[1] 彭孟乐[1] 徐书杨[1]

JIANG Xiaoyong;LI Zhongyi;HUANG Langyue;PENG Mengle;XU Shuyang(School of Mechanical and Energy Engineering,Zhejiang University of Science and Technology,Hangzhou 310023,Zhejiang,China;Schoo of Mechanical Engineering,Zhejiang University,Hangzhou 310058,Zhejiang,China)

机构地区：[1]浙江科技学院机械与能源工程学院,浙江杭州310023 [2]浙江大学机械工程学院,浙江杭州310058

出　　处：《应用科学学报》

年　　份：2022

卷　　号：40

期　　号：5

起止页码：838-849

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、SCOPUS、ZGKJHX、核心刊

摘　　要：本文梳理了神经网络剪枝技术的起源与研究进展,将其分为对权重参数稀疏化的非结构化剪枝和粗粒度的结构化剪枝,分别介绍了两者近年来具有代表性的方法。由于剪枝减少了模型参数,压缩了模型大小,使得深度模型能应用于嵌入式设备,表现出剪枝在深度学习模型压缩领域中的重要性。针对现有剪枝技术,阐述了一些在实际应用和衡量标准上存在的问题,并对未来的研究发展方向进行了展望。

关 键 词：深度卷积神经网络  深度学习  模型压缩  剪枝

分 类 号：TP3[计算机类]