基于强化学习和3σ准则的组合剪枝方法

针对结构复杂、参数冗余的深度神经网络无法部署到资源受限的嵌入式系统的问题，受稀疏率对性能影响的启示，提出基于强化学习和3σ准则的组合剪枝方法.根据稀疏率对准确率的影响，确定最佳全局稀疏率，使稀疏率和精度达到较好平衡.在最佳全局稀疏率的指导下，利用强化学习方法自动搜索每层卷积层的最佳剪枝率，根据剪枝率剪去不重要的权重.通过3σ准则确定全连接层每层的权重剪枝阈值，对全连接层进行权重剪枝.通过再训练来恢复模型识别的精度.实验结果表明，所提剪枝方法可以将网络VGG16、ResNet56和ResNet50的参数，分别压缩83.33%、70.1%和80.9%，模型的识别准确率分别降低1.55%、1.98%和1.86%.