發(fā)布時間：2023-03-13 20:46

　　針對卷積神經(jīng)網(wǎng)絡(luò)巨大的計算量和存儲量導(dǎo)致其難以應(yīng)用于嵌入式終端設(shè)備的難題,提出了一種基于灰色關(guān)聯(lián)分析的模型裁剪方法。利用基于灰色關(guān)聯(lián)分析的裁剪方法處理經(jīng)過數(shù)據(jù)訓(xùn)練后的權(quán)重模型文件,獲得每個卷積核重要性的量化表示;每次裁剪從模型中刪除量化結(jié)果值最小的卷積核,從而減少計算量,加快推理速度;對于新產(chǎn)生的模型,通過迭代訓(xùn)練來彌補其性能上的損失。實驗結(jié)果表明,相比APoZ法、L1法,所提方法在同一推理速度提升下精度提高了5.3%和10.4%,在VGG-16模型上取得了相對于初始模型2.7倍的加速效果,存儲量壓縮為原來的1/13.5。

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 模型裁剪原理
3 基于灰色關(guān)聯(lián)分析的裁剪算法原理
4 針對殘差塊的裁剪
5 實驗結(jié)果及分析
    5.1 在VGG、AlexNet卷積網(wǎng)絡(luò)上的效果
    5.2 在殘差網(wǎng)絡(luò)上的效果
    5.3 不同評價方法裁剪效果對比
6 結(jié)論



本文編號：3762361