基于深层卷积神经网络的剪枝优化

被引：9

作者：

马治楠 ^{[1
]}

韩云杰 ^{[2
]}

彭琳钰 ^{[1
]}

周进凡 ^{[1
]}

林付春 ^{[1
]}

刘宇红 ^{[1
]}

机构：

[1] 贵州大学大数据与信息工程学院

[2] 贵阳信息技术研究院

来源：

电子技术应用 | 2018年 / 44卷 / 12期

关键词：

深度学习; 卷积神经网络; 模型压缩; 剪枝;

D O I：

10.16157/j.issn.0258-7998.181958

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

随着近几年来深度学习的兴起,其在目标检测、图像分类、语音识别、自然语言处理等机器学习领域都取得了重大的突破,其中以卷积神经网络在深度学习中的运用较多。自VGGNet出现以来,深度学习逐渐向深层的网络发展,网络越来越深,这不仅增大了对硬件平台存储、运行内存的需求,还大大增加了计算量,对硬件平台资源的要求越来越高。因此将深度学习应用于嵌入式平台尤为困难。对此,通过对模型进行剪枝的方法将训练好的网络模型压缩处理,在基本保证准确率的情况下去除不重要的参数,缩减模型,减小网络的计算复杂度,将深度学习应用于嵌入式平台。

引用

页码：119 / 122+126 +126

页数：5