文献类型：期刊文章

作　　者：靳丽蕾[1] 杨文柱[1] 王思乐[1] 崔振超[1] 陈向阳[1] 陈丽萍[1]

JIN Li-lei;YANG Wen-zhu;WANG Si-le;CUI Zhen-chao;CHEN Xiang-yang;CHEN Li-ping(School of Cyber Security and Computer,Hebei University,Baoding 071002,China)

机构地区：[1]河北大学网络空间安全与计算机学院,河北保定071002

出　　处：《小型微型计算机系统》

基　　金：河北省自然科学基金项目(F2015201033F201701069)资助;"云数融合;科教创新"基金课题项目(2017A20004)资助

年　　份：2018

卷　　号：39

期　　号：12

起止页码：2596-2601

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在模型压缩中,单独使用权重剪枝或卷积核剪枝对卷积神经网络进行压缩,压缩后的模型中仍然存在较多冗余参数.针对这一问题,提出了一种结合权重剪枝和卷积核剪枝的混合剪枝方法.首先,剪除对卷积神经网络整体精度贡献较小的卷积核;其次,对剪枝过的模型再进行权重剪枝实现进一步的模型压缩.在剪枝过程中通过重新训练来恢复模型精度.在MNIST和CIFAR-10数据集上的实验结果表明,提出的混合剪枝方法在几乎不降低模型精度的前提下,将LeNet-5和VGG-16分别压缩了13. 01倍和19. 20倍.

关 键 词：卷积神经网络 模型压缩  网络剪枝  混合剪枝  

分 类 号：TP183]