基于双DDPG的全局自适应滤波器剪枝方法

摘要：

滤波器剪枝是模型压缩的有效方法之一.受学习全局重要性(LEGR)剪枝算法思想的启发,提出了一种新的结构化剪枝策略.首先,基于滤波器权值-信息熵计算出模型卷积层中每一个滤波器的局部重要性得分;随后,利用双深度确定性策略梯度(DDPG)算法学习出每一层的全局规模系数和全局偏差系数,把滤波器的局部重要性得分转换成全局重要性得分,并进行全局剪枝得到最优子网络;最后,基于权值自适应加权的多个相同网络联合并行训练,对剪枝后得到的子网络进行性能恢复.在分类数据集CIFAR10、CIFAR100以及ILSVRC-2012 ImageNet上的实验结果表明,该方法在保证剪枝后的模型仍具有良好的性能条件下,可以有效地减少网络模型的浮点计算量(FLOPs).

关键词：卷积神经网络;模型压缩;结构化剪枝;信息熵

所属期刊栏目：41

分类号：TP391(计算技术、计算机技术)

资助基金：南京邮电大学自然科学基金NY220057

在线出版日期：2021-12-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：59-66