La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Loss-Driven Channel Pruning of Convolutional Neural Networks Élagage de canaux basé sur les pertes des réseaux de neurones convolutifs

Xin LONG, Xiangrong ZENG, Chen CHEN, Huaxin XIAO, Maojun ZHANG

  • Vues en texte intégral

    0

  • Citer

Résumé:

L’augmentation des coûts de calcul et de stockage des réseaux de neurones convolutifs (CNN) entrave gravement leurs applications sur des appareils aux ressources limitées ces dernières années. En conséquence, il devient nécessaire d’accélérer les réseaux par certaines méthodes. Dans cet article, nous proposons une méthode basée sur les pertes pour élaguer les canaux redondants des CNN. Il identifie les canaux sans importance en utilisant la technique d'expansion de Taylor en ce qui concerne les facteurs de mise à l'échelle et de décalage, et élague ces canaux par seuil centile fixe. Ce faisant, nous obtenons un réseau compact avec moins de paramètres et de consommation de FLOP. Dans la section expérimentale, nous évaluons la méthode proposée dans les ensembles de données du CIFAR avec plusieurs réseaux populaires, notamment VGG-19, DenseNet-40 et ResNet-164, et les résultats expérimentaux démontrent que la méthode proposée est capable d'élaguer plus de 70 % des canaux et paramètres sans aucune performance. perte. De plus, un élagage itératif pourrait être utilisé pour obtenir un réseau plus compact.

Publication
IEICE TRANSACTIONS on Information Vol.E103-D No.5 pp.1190-1194
Date de publication
2020/05/01
Publicisé
2020/02/17
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2019EDL8200
Type de manuscrit
LETTER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Xin LONG
  National University of Defense Technology
Xiangrong ZENG
  National University of Defense Technology
Chen CHEN
  National University of Defense Technology
Huaxin XIAO
  National University of Defense Technology
Maojun ZHANG
  National University of Defense Technology

Mots-clés

Table des matières