[发明专利]一种基于深度卷积神经网络模型压缩和加速方法在审
| 申请号： | 202010126702.X | 申请日： | 2020-02-28 |
| 公开（公告）号： | CN111340225A | 公开（公告）日： | 2020-06-26 |
| 发明（设计）人： | 罗文 | 申请（专利权）人： | 中云智慧（北京）科技有限公司 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06K9/00;G06K9/62;G06N3/04 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 100176 北京市房山区燕山*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 深度 卷积 神经网络 模型 压缩 加速 方法 | ||
【权利要求书】：
1.一种基于深度卷积神经网络模型压缩和加速方法，其特征在于，包括以下步骤：
S1：搭建深度卷积神经网络模型，并使用训练数据对所述模型进行训练，得到预训练模型；
S2：按照剪枝比率A，求解得到所述预训练模型中卷积层的冗余通道，对所述冗余通道对应的网络权重参数置零，得到剪枝模型；
S3：对所述剪枝模型使用稀疏训练的方式进行训练，得到收敛剪枝模型；
S4：根据所述预训练模型和所述收敛剪枝模型，搭建新网络模型；
S5：将所述收敛剪枝模型的网络参数按照对应关系赋值给所述新网络模型，得到最终模型，并存储。
2.根据权利要求1所述的基于深度卷积神经网络模型压缩和加速方法，其特征在于，所述S2包括：通过LASSO回归算法求解得到所述预训练模型中卷积层的冗余通道。
3.根据权利要求1所述的基于深度卷积神经网络模型压缩和加速方法，其特征在于，所述新网络模型不包含所述剪枝模型中的冗余通道。
4.根据权利要求1所述的基于深度卷积神经网络模型压缩和加速方法，其特征在于，所述S5中对最终模型的存储包括：采用三元组方式存储。
5.根据权利要求1所述的基于深度卷积神经网络模型压缩和加速方法，其特征在于，所述剪枝比率A为0.1-0.5。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中云智慧（北京）科技有限公司，未经中云智慧（北京）科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202010126702.X/1.html，转载请声明来源钻瓜专利网。
