基于滤波器裁剪的卷积神经网络加速算法

摘要：

针对卷积神经网络(CNN)模型的压缩和加速问题,提出基于滤波器裁剪的新型卷积神经网络模型加速算法.通过计算卷积层中滤波器的标准差值衡量该滤波器的重要程度,裁剪对神经网络准确率影响较小的滤波器及对应的特征图,可以有效地降低计算成本.与裁剪权重不同,该算法不会导致网络稀疏连接,不需要应用特殊的稀疏矩阵计算库.基于CIFAR-10数据集的实验结果表明,该滤波器裁剪算法能够对VGG-16和ResNet-110模型加速30％以上,通过微调继承的预训练参数可以使结果接近或达到原始模型的精度.

关键词：深度学习、卷积神经网络(CNN)、模型压缩、滤波器、特征图

所属期刊栏目：53

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金资助项目61703366;中央高校基本科研业务费专项资金资助项目2016XZZX001-01,2017QN81006, 2016FZA4023

在线出版日期：2019-10-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1994-2002