深度神經(jīng)網(wǎng)絡壓縮與優(yōu)化研究.pdf_第1頁
已閱讀1頁,還剩78頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、深度學習是近年來機器學習領域最有影響力的研究方向,在計算機視覺、自然語言處理的許多問題上都取得了突出的效果。深度學習的本質(zhì)是大數(shù)據(jù)支撐下,由多層人工神經(jīng)網(wǎng)絡堆疊形成的信號處理系統(tǒng),具有參數(shù)數(shù)目多,計算復雜度高等特點。深度學習的訓練和運行都需要大量的運行空間與并行計算設備,這些需求阻礙了深度學習在資源有限的設備,如手機、平板電腦和嵌入式設備上的應用。另一方面,神經(jīng)網(wǎng)絡中普遍存在過參數(shù)化的問題,對于一個具體任務而言,網(wǎng)絡的參數(shù)存在著極大的冗

2、余。深度網(wǎng)絡壓縮是解決此類問題的關鍵技術。本文屬于深度網(wǎng)絡壓縮的研究方向,其主要工作有:
  1.神經(jīng)網(wǎng)絡壓縮方法歸納總結
  在對深度學習的發(fā)展現(xiàn)狀和主要方法、模型、技巧做了介紹后,我們廣泛研究了當前的神經(jīng)網(wǎng)絡壓縮的方法,并將當前的網(wǎng)絡壓縮方法歸納為“近似”、“量化”與“裁剪”三種類型。近似類算法依靠張量分解為網(wǎng)絡參數(shù)尋找開銷更小的表示方法,量化類方法將網(wǎng)絡參數(shù)從實數(shù)域映射到有限集合,實現(xiàn)參數(shù)共享,裁剪類方法檢測和刪除網(wǎng)絡

3、中的冗余層、冗余神經(jīng)元或冗余神經(jīng)連接,將直接改變網(wǎng)絡的結構。
  2.神經(jīng)元貢獻評價與消偏
  我們針對神經(jīng)元級的裁剪進行研究,首先我們通過特征圖可視化的方法展示了網(wǎng)絡中存在的冗余現(xiàn)象。隨后,我們從前人工作中推廣出三種用于評價神經(jīng)元貢獻度的方法。這些方法能夠在逐層的網(wǎng)絡裁剪中使用,但在全局裁剪中,當把不同層的神經(jīng)元評分統(tǒng)一考慮時,存在顯著的系統(tǒng)性偏差。我們提出了一種簡單的消偏方法,使得全局神經(jīng)網(wǎng)絡裁剪成為可能。
  3

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論