为了使得用于目标识别的神经网络模型适应普通移动端或者嵌入式设备,需要将模型中对结果无影响的部分卷积通道剪枝,并简化权值数据.鉴于此,提出一种基于卷积神经网络的剪枝和权值量化方法:首先,对卷积神经网络中常见的卷积层和全连接层中的权值在训练后进行大小判别;其次,通过对权值及相应通道的剪枝达到降低卷积神经网络模型体积的目的;最后,对剩余权值进行量化处理,降低卷积神经网络计算成本,并对量化后的模型进行一定微调,以恢复精度.实验显示,网络模型大小降为原来的1/4,推理时间为原来的1/2,使得模型计算成本低于原模型并且计算效率高于原模型.实验结果表明,该方法能显著提升卷积神经网络模型计算速度,并压缩模型大小.
国家科技期刊平台
NSTL
万方数据
维普
