基于中间图特征提取的卷积网络双标准剪枝 |
| |
引用本文: | 程小辉,李钰,康燕萍.基于中间图特征提取的卷积网络双标准剪枝[J].计算机工程,2023(3):105-112. |
| |
作者姓名: | 程小辉 李钰 康燕萍 |
| |
作者单位: | 1. 桂林理工大学信息科学与工程学院;2. 广西嵌入式技术与智能系统重点实验室 |
| |
基金项目: | 国家自然科学基金(61662017,61862019);;广西自然科学基金(2018GXNSFAA281235); |
| |
摘 要: | 卷积神经网络(CNN)在计算和存储上存在大量开销,为了使CNN能够在算力和存储能力较弱的嵌入式等端设备上进行部署和运行,提出一种基于中间图特征提取的卷积核双标准剪枝方法。在卷积层后插入中间图互信息特征提取框架,分析卷积核的特征提取能力,结合批量归一化层的缩放因子对卷积核的综合重要性进行评估,获取更为稀疏的CNN模型。针对全连接层存在大量冗余节点的问题,提出一种基于节点相似度与K-means++聚类的全连接层剪枝方法,聚类相似度较高的节点,并对剪枝后的连接层权重进行融合,在一定程度上弥补因剪枝所造成的精度损失。在CIFAR10和CIFAR100数据集上的实验结果表明,使用该剪枝方法对ResNet56网络进行剪枝,在损失0.19%分类精度的情况下能够剪掉48.2%的参数量以及46.7%的浮点运算量,对于VGG16网络,能够剪掉94.5%的参数量以及64.4%的浮点运算量,分类精度仅下降0.01%。与VCNNP、PF等剪枝方法相比,所提剪枝方法能够在保持模型准确率几乎不变的情况下,对CNN的参数量和计算量进行更大比例的裁剪。
|
关 键 词: | 深度学习 模型剪枝 卷积神经网络 互信息 节点相似度 K-means++聚类 中间特征 |
|