[发明专利]一种基于网络层剪枝的深度学习网络模型压缩方法

权利要求书

1.一种基于网络层剪枝的深度学习网络模型压缩方法，其特征在于包括：

对于完成训练的卷积神经网络，将训练后的权重导入并进行针对BN层的稀疏化训练；

设BN层中有两个训练参数，分别为Gamma和Beta，

即在训练过程中约束BN层中的Gamma系数，使得Gamma系数趋近于0，经过多次迭代完成稀疏化的过程；

获取网络各个BN层的Gamma参数，设置全局通道剪枝比例，根据全局剪枝比例计算Gamma参数的阈值，将小于阈值的Gamma参数全部置零；

设置预剪掉的shortcut网络层数I，计算每个shortcut结构中的BN层_2的Gamma参数POZ；

对每个shortcut结构按照BN层_2的POZ从大到小排序，删除排序在前I的POZ对应的shortcut结构，

将其他BN层置零的Gamma关联的卷积通道删除；

保存剪枝后的网络结构和参数，如有需要对保存的网络进行微调训练。

2.根据权利要求1所述的深度学习网络模型压缩方法，其特征还在于：所述Gamma参数POZ采用如下方式计算：

其中M代表BN层的Gamma系数维度，当x为0时f(x)＝1，x非零时f(x)＝0。