CN112488297B - 一种神经网络剪枝方法、模型生成方法及装置 - Google Patents
一种神经网络剪枝方法、模型生成方法及装置 Download PDFInfo
- Publication number
- CN112488297B CN112488297B CN202011395531.7A CN202011395531A CN112488297B CN 112488297 B CN112488297 B CN 112488297B CN 202011395531 A CN202011395531 A CN 202011395531A CN 112488297 B CN112488297 B CN 112488297B
- Authority
- CN
- China
- Prior art keywords
- neural network
- feature map
- pruning
- target
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 219
- 238000013138 pruning Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012549 training Methods 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- JBWKIWSBJXDJDT-UHFFFAOYSA-N triphenylmethyl chloride Chemical compound C=1C=CC=CC=1C(C=1C=CC=CC=1)(Cl)C1=CC=CC=C1 JBWKIWSBJXDJDT-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于神经网络技术领域,提供了一种神经网络剪枝方法、模型生成方法及装置,所述神经网络剪枝方法包括:基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定样本图像的关键区域;其中,卷积层包含n个特征图通道,每个特征图通道输出一个特征图,且n为大于0的整数;基于关键区域和预设剪枝概率确定目标特征图,并根据目标特征图确定目标通道;删除目标通道,并对目标通道对应的目标滤波器进行剪枝,得到剪枝后的神经网络。上述神经网络剪枝方法能够准确判断卷积层输出的某些特征图的重要性,从而提高了神经网络剪枝的准确率。
Description
技术领域
本申请属于神经网络技术领域,尤其涉及一种神经网络剪枝方法、模型生成方法及装置。
背景技术
现有的神经网络模型往往包含数以百万计甚至千万计的参数和十几层甚至几十层的网络,因此需要非常大的计算量和存储空间。而神经网络压缩是一种通过改变网络结构或利用量化、近似的方法来减少神经网络网络的参数或存储空间,从而在不影响神经网络性能的情况下,能够降低网络计算量并节约存储空间。
目前,常用的神经网络压缩方法是对神经网络模型进行剪枝,即对模型中不重要的滤波器进行裁剪以减少模型的冗余。例如,现有的神经网络剪枝方法可以将子空间聚类技术应用于特征图,挖掘特征图之间的相关信息,并通过删除冗余的特征图达到剪枝该特征图对应的滤波器的目的。然而,该神经网络剪枝方法在剪枝过程中是通过特征图的全部信息来评估该特征图的重要性,使得某些特征图在背景或噪声占主导地位时,该神经网络剪枝方法容易受到特征图的背景或噪声的影响,从而错误判断该特征图的重要性。由此可见,现有的神经网络剪枝方法存在不能准确判断某些特征图的重要性,进而降低神经网络剪枝的准确率的问题。
发明内容
本申请实施例提供了一种神经网络剪枝方法、模型生成方法及装置,可以解决现有的神经网络剪枝方法存在不能准确判断某些特征图的重要性,进而降低神经网络剪枝的准确率的问题。
第一方面,本申请实施例提供了一种神经网络剪枝方法,包括:
基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定所述样本图像的关键区域;其中,所述卷积层包含n个特征图通道,每个特征图通道输出一个特征图,且n为大于0的整数;
基于所述关键区域和预设剪枝概率确定目标特征图,并根据所述目标特征图确定目标通道;
对所述目标通道和目标滤波器进行剪枝处理,得到剪枝后的神经网络;其中,所述目标滤波器为所述待剪枝神经网络中与所述目标通道对应的滤波器。
进一步的,每组像素信息用于描述对应的特征图中各个位置的像素值;所述基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定所述样本图像的关键区域,包括:
根据n组所述像素信息确定所述样本图像中各个位置的n个像素值;
根据所述各个位置的n个像素值确定所述样本图像中各个位置的第一像素平均值;
根据各个位置的所述第一像素平均值确定所述样本图像的关键区域。
进一步的,所述根据各个位置的所述第一像素平均值确定所述样本图像的关键区域,包括:
对所述第一像素平均值求和,并根据求和结果计算所述样本图像的第二像素平均值;
若检测到所述第一像素平均值大于或等于所述第二像素平均值,则确定所述第一像素平均值对应的位置为所述关键区域。
进一步的,所述第二像素平均值根据以下公式确定:
其中,表示所述第二像素平均值,/>表示所述样本图像中第i个位置的第一像素平均值,N表示所述第一像素平均值的个数。
进一步的,所述述基于所述关键区域和预设剪枝概率确定目标特征图,并根据所述目标特征图确定目标通道,包括:
根据所述关键区域确定所述卷积层中每组像素信息对应的特征图的第一能量,并根据所述预设剪枝概率和所述卷积层的预设特征图通道数确定目标特征图的第一数目;
将所述第一能量按照从小到大的顺序排在前所述第一数目的所述特征图确定为所述目标特征图,并根据所述目标特征图确定所述目标通道。
进一步的,所述每个特征图的第一能量根据以下公式计算得到:
其中,Ai表示所述关键区域,Fj表示第j个特征图,Ej表示所述第j个特征图的第一能量,Θ表示Hadamard积,表示L2范数。
第二方面,本申请实施例提供了一种模型生成方法,包括:
获取与剪枝后的神经网络对应的训练集;其中,所述剪枝后的神经网络由上述第一方面中任一项所述的神经网络剪枝方法,对待剪枝神经网络进行剪枝处理得到;
利用所述训练集对剪枝后的神经网络进行迭代训练,生成目标模型。
第三方面,本申请实施例提供了一种神经网络剪枝装置,包括:
第一确定单元,用于基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定所述样本图像的关键区域;其中,所述卷积层包含n个特征图通道,每个特征图通道输出一个特征图,一个特征图对应一组像素信息,且n为大于0的整数;
第二确定单元,用于基于所述关键区域和预设剪枝概率确定目标特征图,并根据所述目标特征图确定目标通道;
剪枝单元,用于对所述目标通道和目标滤波器进行剪枝处理,得到剪枝后的神经网络;其中,所述目标滤波器为所述待剪枝神经网络中与所述目标通道对应的滤波器。
第四方面,本申请实施例提供了一种模型生成装置,包括:
获取单元,用于获取与剪枝后的神经网络对应的训练集;其中,所述剪枝后的神经网络由上述第一方面中任一项所述的神经网络剪枝方法,对待剪枝神经网络进行剪枝处理得到;
生成单元,用于利用所述训练集对剪枝后的神经网络进行迭代训练,生成目标模型。
第五方面,本申请实施例提供了一种神经网络剪枝装置,包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,上述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的神经网络剪枝方法的步骤。
第六方面,本申请实施例提供了一种模型生成装置,包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,上述处理器执行所述计算机程序时实现如上述第二方面所述的模型生成方法的步骤。
第七方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在神经网络剪枝装置上运行时,使得神经网络剪枝装置可执行上述第一方面中任一项所述的神经网络剪枝方法。
第八方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在模型生成装置上运行时,使得模型生成装置可执行上述第二方面所述的模型生成方法。
本申请实施例提供的神经网络剪枝方法与现有技术相比存在的有益效果是:
本申请实施例提供的一种神经网络剪枝方法,通过基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定样本图像的关键区域;其中,卷积层包含n个特征图通道,每个特征图通道输出一个特征图且n为大于0的整数;基于关键区域和预设剪枝概率确定目标特征图,并根据目标特征图确定目标通道;删除目标通道,并对目标通道对应的目标滤波器进行剪枝,得到剪枝后的神经网络。上述神经网络剪枝方法能够通过输出的n组像素信息确定样本图像的关键区域,再根据样本图像的关键区域和预设剪枝概率确定目标特征图和目标通道,从而可以避免受到特征图中的背景或噪声的影响,错误判断目标特征图和目标通道,并在确定之后删除目标通道,对目标通道对应的目标滤波器进行剪枝,得到剪枝后的神经网络。本申请提出的神经网络剪枝方法能够准确判断卷积层输出的某些特征图的重要性,从而提高了神经网络剪枝的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种神经网络剪枝方法的实现流程图;
图2是本申请实施例提供的一种神经网络剪枝方法中S101的具体实现流程图;
图3是本申请实施例提供的一种确定第一像素平均值的示意图;
图4是本申请另一实施例提供的一种神经网络剪枝方法的实现流程图;
图5是本申请再一实施例提供的一种神经网络剪枝方法的实现流程图;
图6是本申请实施例提供的一种模型生成方法的实现流程图;
图7是本申请实施例提供的神经网络剪枝装置的结构示意图;
图8是本申请实施例提供的模型生成装置的结构示意图;
图9是本申请另一实施例提供的神经网络剪枝装置的结构示意图;
图10是本申请另一实施例提供的模型生成装置的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
请参阅图1,图1是本申请实施例提供的一种神经网络剪枝方法的实现流程图。本申请实施例中,神经网络剪枝方法的执行主体为神经网络剪枝装置(Trusted PlatformControl Module,TPCM)。其中,神经网络剪枝装置可以是服务器,还可以是服务器内的处理器。这里,服务器可以是智能手机、平板电脑或台式电脑等。
需要说明的是,由于神经网络中包含多个卷积层,而对每个卷积层进行剪枝的方案是相同的,故本申请实施例以卷积层进行示例说明。
如图1所示,神经网络剪枝方法可以包括S101~S103,详述如下:
在S101中,基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定所述样本图像的关键区域;其中,所述卷积层包含n个特征图通道,每个特征图通道输出一个特征图,且n为大于0的整数。
需要说明的是,待剪枝神经网络的卷积层可以是泛指该待剪枝神经网络中的所有卷积层,也可以是特指该待剪枝神经网络中的部分卷积层。
本申请实施例中,当神经网络剪枝装置需要对待剪枝神经网络进行剪枝时,可以获取待剪枝神经网络的卷积层根据样本图像输出的n组像素信息。其中,样本图像可以是随机抽取的任意一张图像,n为大于0的整数。
在本申请实施例的一种实现方式中,神经网络剪枝装置可以从其他终端设备中获取待剪枝神经网络的卷积层根据样本图像输出的n组像素信息。
在本申请实施例的另一种实现方式中,神经网络剪枝装置可以预先获取待剪枝神经网络的卷积层根据样本图像输出的n组像素信息并进行存储,当神经网络剪枝装置需要对待剪枝神经网络进行剪枝时,直接从神经网络剪枝装置中获取到该样本图像输出的n组像素信息。
在实际应用中,由于卷积层中包含n个特征图通道,每个特征图通道都会输出一个特征图,且一个特征图对应一组像素信息。因此,将样本图像输入待剪枝神经网络的卷积层后,可以得到n个特征图,即n组像素信息。
神经网络剪枝装置在获取到根据样本图像输出的n组像素信息后,基于该n组像素信息确定样本图像的关键区域。
需要说明的是,由于样本图像与各个特征图通道输出的特征图大小、形状相同,因此,样本图像的关键区域即为各个特征图通道输出的特征图的关键区域。
在本申请的一个实施例中,由于每组像素信息用于描述对应的特征图中各个位置的像素值,因此,神经网络剪枝装置具体可以通过如图2所示的步骤S201~S203确定样本图像的关键区域,详述如下:
在S201中,根据n组所述像素信息确定所述样本图像中各个位置的n个像素值。
本实施例中,由于每组像素信息用于描述对应的特征图中各个位置的像素值,且样本图像与各个特征图的大小、形状相同,因此,神经网络剪枝装置可以根据n组像素信息确定样本图像中的各个位置的n个像素值。其中,样本图像和各个特征图中的各个位置均可以用坐标表示。
在S202中,根据所述各个位置的n个像素值确定所述样本图像中各个位置的第一像素平均值。
本实施例中,由于样本图像中各个位置均有n个像素值,因此,神经网络剪枝装置可以根据该n个像素值确定样本图像中各个位置的第一像素平均值。
示例性的,假设样本图像中某个位置有3个像素值,分别为n1=3,n2=4,n3=5,因此,该位置的第一像素平均值可以为(3+4+5)/3=4。
具体地,如图3所示,图3(a)中包括特征图B1、B2及B3,特征图B1中的各个位置的像素值分别为:位置像素值为b11,位置/>的像素值为b12,位置的像素值为b13及位置/>的像素值为b14;特征图B2中的各个位置的像素值分别为:位置/>的像素值为b21,位置/>的像素值为b22,位置/>的像素值为b23及位置/>的像素值为b24;特征图B3中的各个位置的像素值分别为:位置/>的像素值为b31,位置/>的像素值为b32,位置/> 的像素值为b33及位置/>的像素值为b34,图3(b)中包括样本图像A,因此,样本图像A中,位置/>的第一像素平均值为:a1=(b11+b21+b31)/3,位置/>的第一像素平均值为:a2=(b12+b22+b32)/3,位置/>的第一像素平均值为:a3=(b13+b23+b33)/3,位置/>的第一像素平均值为:a4=(b14+b24+b34)/3。
在S203中,根据各个位置的所述第一像素平均值确定所述样本图像的关键区域。
本实施例中,由于像素值可以表示各个位置的灰度信息,因此,神经网络剪枝装置可以根据各个位置的第一像素平均值确定样本图像的关键区域。其中,关键区域指排除图像中的背景和受噪声影响较大的区域。
在本申请的一个实施例中,神经网络剪枝装置具体可以通过如图4所示的步骤S401~S402确定样本图像的关键区域,详述如下:
在S401中,对所述第一像素平均值求和,并根据求和结果计算所述样本图像的第二像素平均值。
本实施例中,神经网络剪枝装置在确定样本图像中各个位置的第一像素平均值后,对样本图像中的所有第一像素平均值求和,得到所有第一像素平均值的求和结果,并根据该求和结果计算样本图像的第二像素平均值。其中,第二像素平均值指样本图像所有第一像素平均值的平均值。
在本申请的一个实施例中,神经网络剪枝装置可以根据以下公式计算得到第二像素平均值:
其中,表示所述第二像素平均值,/>表示所述样本图像中第i个位置的第一像素平均值,N表示所述第一像素平均值的个数。
示例性的,假设样本图像中各个位置的第一像素平均值分别为4、5、6及6,则第二像素平均值=(4+5+6+6)/4=5.25。
在本申请的另一个实施例中,由于样本图像中的各个位置可以通过坐标表示,且样本图像的各个位置的大小均为1×1,样本图像的大小为h×w,其中,h和w分别表示样本图像的长和宽。因此,第一像素平均值个数根据样本图像的长和宽确定,即第一像素平均值个数=h×w/(1×1)=h×w。基于此,神经网络剪枝装置具体可以根据以下公式确定第二像素平均值:
其中,表示所述第二像素平均值,/>表示所述样本图像中坐标为(x,y)的第一像素平均值,h和w表示所述样本图像的长和宽。
神经网络剪枝装置在得到第二像素平均值后,可以将第一像素平均值与第二像素平均值进行比较。神经网络剪枝装置若检测到第一像素平均值大于或等于第二像素平均值,则执行步骤S402;神经网络剪枝装置若检测到第一像素平均值小于第二像素平均值,则确定该第一像素平均值对应的位置不是关键区域。
在S402中,若检测到所述第一像素平均值大于或等于所述第二像素平均值,则确定所述第一像素平均值对应的位置为所述关键区域。
本实施例中,神经网络剪枝装置在确定第一像素平均值大于或等于第二像素平均值后,可以将第一像素平均值对应的位置确定为关键区域。
在S102中,基于所述关键区域和预设剪枝概率确定目标特征图,并根据所述目标特征图确定目标通道。
本申请实施例中,预设剪枝概率可以根据实际需要确定,此处不作限制,示例性的,预设剪枝概率可以与待剪枝神经网络中的卷积层的预设特征图通道数成正比,即预设通道数越多,预设剪枝概率也越大。
需要说明的是,由于卷积层输出的特征图与特征图通道一一对应,因此,神经网络剪枝装置可以根据目标特征图确定目标通道。其中,目标特征图指需要进行删除的特征图,目标通道指需要进行删除的特征图通道。
在本申请的一个实施例中,神经网络剪枝装置具体可以通过如图5所示的步骤S501~S502确定目标特征图和目标通道,详述如下:
在S501中,根据所述关键区域确定所述卷积层中每组像素信息对应的特征图的第一能量,并根据所述预设剪枝概率和所述卷积层的预设特征图通道数确定目标特征图的第一数目。
需要说明的是,由于样本图像与各个特征图的大小、形状均相同,因此,样本图像的关键区域即为各个特征图的关键区域。
在实际应用中,第一能量用于表示特征图的有效信息,即排除包含背景和/或噪声的信息。
在本申请的一个实施例中,神经网络剪枝装置具体可以根据以下公式确定每个特征图的第一能量:
其中,A表示所述关键区域,Fj表示第j个特征图,Ej表示所述第j个特征图的第一能量,Θ表示Hadamard积,表示L2范数。
由于一个特征图通道输出一个特征图,因此,神经网络剪枝装置可以根据预设剪枝概率和待剪枝神经网络的卷积层的预设特征图通道数确定目标特征图的第一数目,也就是说,神经网络剪枝装置需要对第一数目的目标特征图进行删除操作。其中,预设特征图通道数需要根据待剪枝神经网络的卷积层对特征图通道的参数设置来确定。
在本申请的另一个实施例中,神经网络剪枝装置具体可以根据以下公式确定目标特征图的第一数目:
第一数目=预设剪枝概率×预设特征图通道数示例性的,假设预设剪枝概率为0.4,预设特征图通道数为10,则目标特征图的第一数目为4。
在S502中,将所述第一能量按照从小到大的顺序排在前所述第一数目的所述特征图确定为所述目标特征图,并根据所述目标特征图确定所述目标通道。
本实施例中,由于第一能量指各个特征图的有效信息,因此,各个特征图的第一能量越大,说明该特征图越重要。基于此,神经网络剪枝装置可以将各个特征图的第一能量按照从小到大的顺序进行排序,并将排在前第一数目的特征图确定为目标特征图,即需要删除的特征图。
由于特征图与特征图通道一一对应,因此,神经网络剪枝装置可以根据目标特征图确定目标通道。
在S103中,对所述目标通道和目标滤波器进行剪枝处理,得到剪枝后的神经网络;其中,所述目标滤波器为所述待剪枝神经网络中与所述目标通道对应的滤波器。
本申请实施例中,神经网络剪枝装置在确定目标通道后,由于特征图通道与滤波器一一对应,因此,神经网络剪枝装置可以根据目标通道确定目标滤波器,并对目标通道和目标滤波器进行剪枝处理,得到剪枝后的神经网络。其中,目标滤波器为待剪枝神经网络中与目标通道对应的滤波器。
需要说明的是,对目标通道和目标滤波器进行剪枝处理,可以是将目标通道从待剪枝神经网络中删除,将目标滤波器从待剪枝神经网络中移除。
以上可以看出,本实施例提供的一种神经网络剪枝方法,通过基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定样本图像的关键区域;其中,卷积层包含n个特征图通道,每个特征图通道输出一个特征图,一个特征图对应一组像素信息,且n为大于0的整数;基于关键区域和预设剪枝概率确定目标特征图,并根据目标特征图确定目标通道;删除目标通道,并对目标通道对应的目标滤波器进行剪枝,得到剪枝后的神经网络。上述神经网络剪枝方法能够通过输出的n组像素信息确定样本图像的关键区域,再根据样本图像的关键区域和预设剪枝概率确定目标特征图和目标通道,从而可以避免受到特征图中的背景或噪声的影响,错误判断目标特征图和目标通道,并在确定之后删除目标通道,对目标通道对应的目标滤波器进行剪枝,得到剪枝后的神经网络。本申请提出的神经网络剪枝方法能够准确判断卷积层输出的某些特征图的重要性,从而提高了神经网络剪枝的准确率。
在本申请的一个实施例中,由于对待剪枝的神经网络中的目标通道和目标滤波器进行剪枝处理后,剪枝后的神经网络的网络结构已经发生了变化,并会影响剪枝后的神经网络的精度,因此,神经网络剪枝装置在得到剪枝后的神经网络后,可以对剪枝后的神经网络进行微调,以到达提高剪枝后的神经网络精度的目的。
在本申请实施例的一种实现方式中,神经网络剪枝装置对剪枝后的神经网络进行微调,可以是基于目标训练集对剪枝后的神经网络进行迭代训练。其中,目标训练集指与剪枝后的神经网络对应的训练集。
基于此,请参阅图6,图6是本申请实施例提供的一种模型生成方法的实现流程图。本申请实施例提供的模型生成方法的执行主体为模型生成装置。其中,模型生成装置可以是服务器,还可以是服务器内的处理器。这里,服务器可以是智能手机、平板电脑或台式电脑等。如图6所示,模型生成方法可以包括S601~S602,详述如下:
在S601中,获取与剪枝后的神经网络对应的训练集;其中,所述剪枝后的神经网络是利用权利要求1至6任一项所述的神经网络剪枝方法,对待剪枝神经网络进行剪枝处理得到。
需要说明的是,由于不同的神经网络会对应不同的训练集,因此,本申请实施例中,当模型生成装置需要对剪枝后的神经网络重新生成神经网络模型时,可以获取与剪枝后的神经网络对应的训练集。
其中,剪枝后的神经网络是利用上述实施例提供的任意一种神经网络剪枝方法,对待剪枝神经网络进行剪枝处理得到。
在本申请实施例的一种实现方式中,模型生成装置可以从其他终端设备中获取与剪枝后的神经网络对应的训练集。示例性的,其他终端设备可以是神经网络剪枝装置。
在本申请实施例的另一种实现方式中,模型生成装置可以预先获取与剪枝后的神经网络对应的训练集并进行存储,当模型生成装置需要对剪枝后的神经网络重新生成神经网络模型时,直接从模型生成装置获取与剪枝后的神经网络对应的训练集。
在S602中,利用所述训练集对剪枝后的神经网络进行迭代训练,生成目标模型。
本申请实施例中,由于剪枝后的神经网络的网络结构发生了变化,为了方便后续使用,模型生成装置在获取与剪枝后的神经网络对应的训练集后,可以根据该训练集对剪枝后的神经网络进行迭代训练,得到目标模型。
以上可以看出,本申请实施例提供的一种模型生成方法,通过获取与剪枝后的神经网络对应的训练集;其中,剪枝后的神经网络是上述实施例提供的任一种的神经网络剪枝方法,对待剪枝神经网络进行剪枝处理得到;利用训练集对剪枝后的神经网络进行迭代训练,生成目标模型。上述模型生成方法基于训练集对剪枝后的神经网络进行迭代训练,得到目标模型,使得剪枝后的神经网络对应的目标模型,不会因为剪枝处理造成的网络结构变化降低目标模型的精度,确保目标模型的精度能够恢复至待剪枝神经网络的精度水平。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种神经网络剪枝方法,图7示出了本申请实施例提供的一种神经网络剪枝装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。参照图7,该神经网络剪枝装置700包括:第一确定单元71、第二确定单元72及剪枝单元73。其中:
第一确定单元71用于基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定所述样本图像的关键区域;其中,所述卷积层包含n个特征图通道,每个特征图通道输出一个特征图,一个特征图对应一组像素信息,且n为大于0的整数。
第二确定单元72用于基于所述关键区域和预设剪枝概率确定目标特征图,并根据所述目标特征图确定目标通道。
剪枝单元73用于对所述目标通道和目标滤波器进行剪枝处理,得到剪枝后的神经网络;其中,所述目标滤波器为所述待剪枝神经网络中与所述目标通道对应的滤波器。
在本申请的一个实施例中,每组像素信息用于描述对应的特征图中各个位置的像素值;第一确定单元71具体包括:第三确定单元、第四确定单元及第五确定单元。其中:
第三确定单元用于根据n组所述像素信息确定所述样本图像中各个位置的n个像素值。
第四确定单元用于根据所述各个位置的n个像素值确定所述样本图像中各个位置的第一像素平均值。
第五确定单元用于根据各个位置的所述第一像素平均值确定所述样本图像的关键区域。
在本申请的一个实施例中,第五确定单元具体包括:计算单元和第六确定单元。其中:
计算单元用于对所述第一像素平均值求和,并根据求和结果计算所述样本图像的第二像素平均值。
第六确定单元用于若检测到所述第一像素平均值大于或等于所述第二像素平均值,则确定所述第一像素平均值对应的位置为所述关键区域。
在本申请的一个实施例中,所述第二像素平均值根据以下公式确定:
其中,表示所述第二像素平均值,/>表示所述样本图像中第i个位置的第一像素平均值,N表示所述第一像素平均值的个数。
在本申请的一个实施例中,第二确定单元72具体包括:第七确定单元和第八确定单元。其中:
第七确定单元用于根据所述关键区域确定所述卷积层中每组像素信息对应的特征图的第一能量,并根据所述预设剪枝概率和所述卷积层的预设特征图通道数确定目标特征图的第一数目。
第八确定单元用于将所述第一能量按照从小到大的顺序排在前所述第一数目的所述特征图确定为所述目标特征图,并根据所述目标特征图确定所述目标通道。
在本申请的一个实施例中,所述每个特征图的第一能量根据以下公式计算得到:
其中,A表示所述关键区域,Fj表示第j个特征图,Ej表示所述第j个特征图的第一能量,Θ表示Hadamard积,表示L2范数。
以上可以看出,本申请实施例提供的一种神经网络剪枝方法,通过基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定样本图像的关键区域;其中,卷积层包含n个特征图通道,每个特征图通道输出一个特征图,一个特征图对应一组像素信息,且n为大于0的整数;基于关键区域和预设剪枝概率确定目标特征图,并根据目标特征图确定目标通道;删除目标通道,并对目标通道对应的目标滤波器进行剪枝,得到剪枝后的神经网络。上述神经网络剪枝方法能够通过输出的n组像素信息确定样本图像的关键区域,再根据样本图像的关键区域和预设剪枝概率确定目标特征图和目标通道,从而可以避免受到特征图中的背景或噪声的影响,错误判断目标特征图和目标通道,并在确定之后删除目标通道,对目标通道对应的目标滤波器进行剪枝,得到剪枝后的神经网络。本申请提出的神经网络剪枝方法能够准确判断卷积层输出的某些特征图的重要性,从而提高了神经网络剪枝的准确率。
对应于上文实施例所述的一种模型生成方法,图8示出了本申请实施例提供的一种模型生成装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。参照图8,该模型生成装置800包括:获取单元81和生成单元82。其中:
获取单元81用于获取与剪枝后的神经网络对应的训练集;其中,所述剪枝后的神经网络由上述实施例中任一项所述的神经网络剪枝方法,对待剪枝神经网络进行剪枝处理得到。
生成单元82用于利用所述训练集对剪枝后的神经网络进行迭代训练,生成目标模型。
以上可以看出,本申请实施例提供的一种模型生成方法,通过获取与剪枝后的神经网络对应的训练集;其中,剪枝后的神经网络是上述实施例提供的任一种的神经网络剪枝方法,对待剪枝神经网络进行剪枝处理得到;利用训练集对剪枝后的神经网络进行迭代训练,生成目标模型。上述模型生成方法基于训练集对剪枝后的神经网络进行迭代训练,得到目标模型,使得剪枝后的神经网络对应的目标模型,不会因为剪枝处理造成的网络结构变化降低目标模型的精度,确保目标模型的精度能够恢复至待剪枝神经网络的精度水平。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图9为本申请一实施例提供的神经网络剪枝装置的结构示意图。如图9所示,该实施例的神经网络剪枝装置1包括:至少一个处理器10(图9中仅示出一个)处理器、存储器11以及存储在所述存储器11中并可在所述至少一个处理器10上运行的计算机程序12,所述处理器10执行所述计算机程序12时实现上述任意各个神经网络剪枝方法实施例中的步骤。
所述神经网络剪枝装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该神经网络剪枝装置可包括,但不仅限于,处理器10、存储器11。本领域技术人员可以理解,图9仅仅是神经网络剪枝装置1的举例,并不构成对神经网络剪枝装置1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器10可以是中央处理单元(Central Processing Unit,CPU),该处理器10还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器11在一些实施例中可以是所述神经网络剪枝装置1的内部存储单元,例如神经网络剪枝装置1的硬盘或内存。所述存储器11在另一些实施例中也可以是所述神经网络剪枝装置1的外部存储设备,例如所述神经网络剪枝装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,所述存储器11还可以既包括所述神经网络剪枝装置1的内部存储单元也包括外部存储设备。所述存储器11用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述神经网络剪枝方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在神经网络剪枝装置上运行时,使得神经网络剪枝装置执行时实现可实现上述神经网络剪枝方法实施例中的步骤。
图10为本申请一实施例提供的模型生成装置的结构示意图。如图10所示,该实施例的模型生成装置2包括:至少一个处理器20(图10中仅示出一个)处理器、存储器21以及存储在所述存储器21中并可在所述至少一个处理器20上运行的计算机程序22,所述处理器20执行所述计算机程序22时实现上述模型生成方法实施例中的步骤。
所述模型生成装置2可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该模型生成装置可包括,但不仅限于,处理器20、存储器21。本领域技术人员可以理解,图10仅仅是模型生成装置2的举例,并不构成对模型生成装置2的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器20可以是中央处理单元(Central Processing Unit,CPU),该处理器20还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21在一些实施例中可以是所述模型生成装置2的内部存储单元,例如模型生成装置2的硬盘或内存。所述存储器21在另一些实施例中也可以是所述模型生成装置2的外部存储设备,例如所述模型生成装置2上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器21还可以既包括所述模型生成装置2的内部存储单元也包括外部存储设备。所述存储器21用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述模型生成方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在模型生成装置上运行时,使得模型生成装置执行时实现可实现上述模型生成方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的神经网络剪枝装置和方法,模型生成方法和模型生成装置,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种神经网络剪枝方法,其特征在于,包括:
基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定所述样本图像的关键区域;其中,所述卷积层包含n个特征图通道,每个特征图通道输出一个特征图,且n为大于0的整数;
基于所述关键区域和预设剪枝概率确定目标特征图,并根据所述目标特征图确定目标通道;
对所述目标通道和目标滤波器进行剪枝处理,得到剪枝后的神经网络;其中,所述目标滤波器为所述待剪枝神经网络中与所述目标通道对应的滤波器;
每组像素信息用于描述对应的特征图中各个位置的像素值;所述基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定所述样本图像的关键区域,包括:
根据n组所述像素信息确定所述样本图像中各个位置的n个像素值;
根据所述各个位置的n个像素值确定所述样本图像中各个位置的第一像素平均值;
根据各个位置的所述第一像素平均值确定所述样本图像的关键区域;
所述根据各个位置的所述第一像素平均值确定所述样本图像的关键区域,包括:
对所述第一像素平均值求和,并根据求和结果计算所述样本图像的第二像素平均值;
若检测到所述第一像素平均值大于或等于所述第二像素平均值,则确定所述第一像素平均值对应的位置为所述关键区域;
所述第二像素平均值根据以下公式确定:
其中,表示所述第二像素平均值,/>表示所述样本图像中第i个位置的第一像素平均值,N表示所述第一像素平均值的个数;
所述基于所述关键区域和预设剪枝概率确定目标特征图,并根据所述目标特征图确定目标通道,包括:
根据所述关键区域确定所述卷积层中每组像素信息对应的特征图的第一能量,并根据所述预设剪枝概率和所述卷积层的预设特征图通道数确定目标特征图的第一数目;
将所述第一能量按照从小到大的顺序排在前所述第一数目的所述特征图确定为所述目标特征图,并根据所述目标特征图确定所述目标通道。
2.如权利要求1所述的神经网络剪枝方法,其特征在于,所述每个特征图的第一能量根据以下公式计算得到:
其中,A表示所述关键区域,Fj表示第j个特征图,Ej表示所述第j个特征图的第一能量,Θ表示Hadamard积,表示L2范数。
3.一种模型生成方法,其特征在于,所述方法包括:
获取与剪枝后的神经网络对应的训练集;其中,所述剪枝后的神经网络是利用权利要求1至2任一项所述的神经网络剪枝方法,对待剪枝神经网络进行剪枝处理得到;
利用所述训练集对剪枝后的神经网络进行迭代训练,生成目标模型。
4.一种神经网络剪枝装置,其特征在于,包括:
第一确定单元,用于基于待剪枝神经网络的卷积层根据样本图像输出的n组像素信息,确定所述样本图像的关键区域;其中,所述卷积层包含n个特征图通道,每个特征图通道输出一个特征图,一个特征图对应一组像素信息,且n为大于0的整数;
第二确定单元,用于基于所述关键区域和预设剪枝概率确定目标特征图,并根据所述目标特征图确定目标通道;
剪枝单元,用于对所述目标通道和目标滤波器进行剪枝处理,得到剪枝后的神经网络;其中,所述目标滤波器为所述待剪枝神经网络中与所述目标通道对应的滤波器;
每组像素信息用于描述对应的特征图中各个位置的像素值;所述第一确定单元还包括:
第三确定单元,用于根据n组所述像素信息确定所述样本图像中各个位置的n个像素值;
第四确定单元,用于根据所述各个位置的n个像素值确定所述样本图像中各个位置的第一像素平均值;
第五确定单元,用于根据各个位置的所述第一像素平均值确定所述样本图像的关键区域;
所述第五确定单元具体包括:
计算单元,用于对所述第一像素平均值求和,并根据求和结果计算所述样本图像的第二像素平均值;
第六确定单元,用于若检测到所述第一像素平均值大于或等于所述第二像素平均值,则确定所述第一像素平均值对应的位置为所述关键区域;
所述第二像素平均值根据以下公式确定:
其中,表示所述第二像素平均值,/>表示所述样本图像中第i个位置的第一像素平均值,N表示所述第一像素平均值的个数;
所述第二确定单元具体包括:
第七确定单元,用于根据所述关键区域确定所述卷积层中每组像素信息对应的特征图的第一能量,并根据所述预设剪枝概率和所述卷积层的预设特征图通道数确定目标特征图的第一数目;
第八确定单元,用于将所述第一能量按照从小到大的顺序排在前所述第一数目的所述特征图确定为所述目标特征图,并根据所述目标特征图确定所述目标通道。
5.一种模型生成装置,其特征在于,包括:
获取单元,用于获取与剪枝后的神经网络对应的训练集;其中,所述剪枝后的神经网络是利用权利要求1至2任一项所述的神经网络剪枝方法,对待剪枝神经网络进行剪枝处理得到;
生成单元,用于利用所述训练集对剪枝后的神经网络进行迭代训练,生成目标模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395531.7A CN112488297B (zh) | 2020-12-03 | 2020-12-03 | 一种神经网络剪枝方法、模型生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395531.7A CN112488297B (zh) | 2020-12-03 | 2020-12-03 | 一种神经网络剪枝方法、模型生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488297A CN112488297A (zh) | 2021-03-12 |
CN112488297B true CN112488297B (zh) | 2023-10-13 |
Family
ID=74938025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011395531.7A Active CN112488297B (zh) | 2020-12-03 | 2020-12-03 | 一种神经网络剪枝方法、模型生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488297B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927173B (zh) * | 2021-04-12 | 2023-04-18 | 平安科技(深圳)有限公司 | 模型压缩方法、装置、计算设备及存储介质 |
WO2023102844A1 (zh) * | 2021-12-09 | 2023-06-15 | 北京大学深圳研究生院 | 剪枝模块的确定方法、装置及计算机可读存储介质 |
CN115278257A (zh) * | 2022-07-28 | 2022-11-01 | 北京大学深圳研究生院 | 一种图像压缩方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5502688A (en) * | 1994-11-23 | 1996-03-26 | At&T Corp. | Feedforward neural network system for the detection and characterization of sonar signals with characteristic spectrogram textures |
CN109063834A (zh) * | 2018-07-12 | 2018-12-21 | 浙江工业大学 | 一种基于卷积特征响应图的神经网络剪枝方法 |
CN110619385A (zh) * | 2019-08-31 | 2019-12-27 | 电子科技大学 | 基于多级剪枝的结构化网络模型压缩加速方法 |
CN110837811A (zh) * | 2019-11-12 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 语义分割网络结构的生成方法、装置、设备及存储介质 |
CN111144551A (zh) * | 2019-12-27 | 2020-05-12 | 浙江大学 | 一种基于特征方差比的卷积神经网络通道剪枝方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3716158A3 (en) * | 2019-03-25 | 2020-11-25 | Nokia Technologies Oy | Compressing weight updates for decoder-side neural networks |
-
2020
- 2020-12-03 CN CN202011395531.7A patent/CN112488297B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5502688A (en) * | 1994-11-23 | 1996-03-26 | At&T Corp. | Feedforward neural network system for the detection and characterization of sonar signals with characteristic spectrogram textures |
CN109063834A (zh) * | 2018-07-12 | 2018-12-21 | 浙江工业大学 | 一种基于卷积特征响应图的神经网络剪枝方法 |
CN110619385A (zh) * | 2019-08-31 | 2019-12-27 | 电子科技大学 | 基于多级剪枝的结构化网络模型压缩加速方法 |
CN110837811A (zh) * | 2019-11-12 | 2020-02-25 | 腾讯科技(深圳)有限公司 | 语义分割网络结构的生成方法、装置、设备及存储介质 |
CN111144551A (zh) * | 2019-12-27 | 2020-05-12 | 浙江大学 | 一种基于特征方差比的卷积神经网络通道剪枝方法 |
Non-Patent Citations (1)
Title |
---|
李新叶等.基于深度学习的图像语义分割研究进展.《科学技术与工程》.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112488297A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488297B (zh) | 一种神经网络剪枝方法、模型生成方法及装置 | |
CN111553215B (zh) | 人员关联方法及其装置、图卷积网络训练方法及其装置 | |
CN111340077B (zh) | 基于注意力机制的视差图获取方法和装置 | |
CN112435193B (zh) | 一种点云数据去噪的方法、装置、存储介质和电子设备 | |
CN112288087A (zh) | 一种神经网络剪枝方法、装置、电子设备及存储介质 | |
CN115147598A (zh) | 目标检测分割方法、装置、智能终端及存储介质 | |
CN114418226B (zh) | 电力通信***的故障分析方法及装置 | |
CN111368860B (zh) | 重定位方法及终端设备 | |
CN111382831B (zh) | 加速卷积神经网络模型前向推理的方法及装置 | |
CN108961071B (zh) | 自动预测组合业务收益的方法及终端设备 | |
CN112633299B (zh) | 一种目标检测方法、网络、装置、终端设备及存储介质 | |
US12002272B2 (en) | Method and device for classifing densities of cells, electronic device using method, and storage medium | |
CN115409070A (zh) | 离散数据序列临界点的确定方法、装置以及设备 | |
CN113139617B (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN110889422A (zh) | 同行车辆的判断方法、装置、设备及计算机可读介质 | |
CN116912634B (zh) | 目标追踪模型的训练方法及装置 | |
CN112465007B (zh) | 目标识别模型的训练方法、目标识别方法及终端设备 | |
CN112053779B (zh) | 疾病检测模型的构建方法、构建装置及终端设备 | |
US20240160695A1 (en) | Approximating activation function in neural network with look-up table having hybrid architecture | |
CN110889462B (zh) | 一种数据处理方法、装置、设备和存储介质 | |
CN115035322A (zh) | 图像特征提取方法、装置、电子设备及存储介质 | |
CN117827873A (zh) | 信息检索方法、装置、电子设备及存储介质 | |
CN117669364A (zh) | 车道保持辅助***测试场景的提取方法、服务器及介质 | |
CN114049495A (zh) | 一种复杂环境下的图像特征检测方法、装置及设备 | |
CN116740481A (zh) | 面向目标计数的选择性继承学习方法、装置以及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |