基于参数和特征冗余的神经网络模型压缩方法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 神经网络模型压缩研究现状 | 第15-17页 |
| 1.3 主要研究内容与章节安排 | 第17-20页 |
| 第二章 神经网络模型压缩方法简介 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 基于参数修剪和共享的模型压缩 | 第20-25页 |
| 2.2.1 共享量化 | 第20-22页 |
| 2.2.2 二值化 | 第22-24页 |
| 2.2.3 剪枝 | 第24-25页 |
| 2.3 基于低秩分解的模型压缩 | 第25-26页 |
| 2.4 基于高效卷积结构的模型压缩 | 第26-30页 |
| 2.4.1 深度可分离卷积 | 第27-28页 |
| 2.4.2 高效残差单元 | 第28-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 基于非均匀分组逐点卷积的模型压缩方法 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 分组卷积 | 第32-36页 |
| 3.2.1 均匀分组卷积 | 第32-34页 |
| 3.2.2 非均匀分组卷积 | 第34-36页 |
| 3.3 基于非均匀分组逐点卷积的模型压缩方法 | 第36-40页 |
| 3.3.1 基本单元设计 | 第36-37页 |
| 3.3.2 网络模型设计 | 第37-39页 |
| 3.3.3 目标函数 | 第39-40页 |
| 3.4 实验仿真 | 第40-44页 |
| 3.4.1 实验设置 | 第40页 |
| 3.4.2 训练及测试数据集 | 第40页 |
| 3.4.3 实验结果及分析 | 第40-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 基于特征冗余分析的神经网络跨层剪枝方法 | 第46-62页 |
| 4.1 引言 | 第46页 |
| 4.2 逐通道剪枝方法概述 | 第46-48页 |
| 4.3 基于特征冗余分析的神经网络跨层剪枝方法 | 第48-52页 |
| 4.3.1 模型训练流程 | 第48-49页 |
| 4.3.2 跨层剪枝算法 | 第49-51页 |
| 4.3.3 算法复杂度分析 | 第51-52页 |
| 4.4 实验仿真 | 第52-61页 |
| 4.4.1 基于跨层剪枝方法的图像分类模型压缩 | 第52-54页 |
| 4.4.2 基于跨层剪枝方法的图像去噪模型压缩 | 第54-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 作者简介 | 第70-71页 |
