神經(jīng)網(wǎng)絡(luò)壓縮技術(shù)的出現(xiàn)緩解了深度神經(jīng)網(wǎng)絡(luò)模型在資源受限設(shè)備中的應(yīng)用難題,如移動端或嵌入式設(shè)備.但神經(jīng)網(wǎng)絡(luò)壓縮技術(shù)在壓縮處理的自動化、稀疏度與硬件部署之間的矛盾、避免壓縮后模型重訓(xùn)練等方面存在困難.本文在回顧經(jīng)典神經(jīng)網(wǎng)絡(luò)模型和現(xiàn)有神經(jīng)網(wǎng)絡(luò)壓縮工具的基礎(chǔ)上,總結(jié)參數(shù)剪枝、參數(shù)量化、低秩分解和知識蒸餾四類壓縮方法的代表性壓縮算法的優(yōu)缺點,概述壓縮方法的評測指標(biāo)和常用數(shù)據(jù)集,并分析各種壓縮方法在不同任務(wù)和硬件資源約束中的性能表現(xiàn),展望神經(jīng)網(wǎng)絡(luò)壓縮技術(shù)具有前景的研究方向. 

【文章來源】：計算機(jī)系統(tǒng)應(yīng)用. 2020,29(09)

【文章頁數(shù)】：10 頁

【參考文獻(xiàn)】：
期刊論文
[1]Deep Model Compression for Mobile Platforms:A Survey[J]. Kaiming Nan,Sicong Liu,Junzhao Du,Hui Liu.  Tsinghua Science and Technology. 2019(06)
[2]深度神經(jīng)網(wǎng)絡(luò)壓縮與加速綜述[J]. 紀(jì)榮嶸,林紹輝,晁飛,吳永堅,黃飛躍.  計算機(jī)研究與發(fā)展. 2018(09)



本文編號：3221383