深度學習模型壓縮方法綜述（一）
深度學習模型壓縮方法綜述（二）
深度學習模型壓縮方法綜述（三）
上一章，將基於核的稀疏化方法的模型壓縮方法進行了介紹，提出了幾篇值得大家去學習的**，本章，將繼續對深度學習模型壓縮方法進行介紹，主要介紹的方向為基於模型裁剪的方法，由於本人主要研究的為這個方向，故本次推薦的**數量較多，但都是非常值得一讀的。
對以訓練好的模型進行裁剪的方法，是目前模型壓縮中使用最多的方法，通常是尋找一種有效的評判手段，來判斷引數的重要性，將不重要的connection或者filter進行裁剪來減少模型的冗餘。同樣也分為regular和irregular的方式。 這類方法最多，下面列舉幾篇典型的方案。
可以看出來，基於模型裁剪的方法很多，其思路源頭都是來自於oracle pruning 的方法，即挑選出模型中不重要的引數，將其剔除而不會對模型的效果造成太大的影響，而如何找到乙個有效的對引數重要性的評價手段，在這個方法中就尤為重要，我們也可以看到，這種評價標準花樣百出，各有不同，也很難判定那種方法更好。在剔除不重要的引數之後，通過乙個retrain的過程來恢復模型的效能，這樣就可以在保證模型效能的情況下，最大程度的壓縮模型引數及運算量。目前，基於模型裁剪的方法是最為簡單有效的模型壓縮方式。（未完待續）
深度學習模型壓縮方法綜述（二）
深度學習模型壓縮方法綜述 一 深度學習模型壓縮方法綜述 二 深度學習模型壓縮方法綜述 三 上一章，將基於核的稀疏化方法的模型壓縮方法進行了介紹，提出了幾篇值得大家去學習的 本章，將繼續對深度學習模型壓縮方法進行介紹，主要介紹的方向為基於模型裁剪的方法，由於本人主要研究的為這個方向，故本次推薦的 數量...
深度學習模型壓縮方法綜述（一）
深度學習模型壓縮方法綜述 一 深度學習模型壓縮方法綜述 二 深度學習模型壓縮方法綜述 三 目前在深度學習領域分類兩個派別，一派為學院派，研究強大 複雜的模型網路和實驗方法，為了追求更高的效能 另一派為工程派，旨在將演算法更穩定 高效的落地在硬體平台上，效率是其追求的目標。複雜的模型固然具有更好的效能...
深度學習模型壓縮方法綜述（一）
深度學習模型壓縮方法綜述 一 深度學習模型壓縮方法綜述 二 深度學習模型壓縮方法綜述 三 目前在深度學習領域分類兩個派別，一派為學院派，研究強大 複雜的模型網路和實驗方法，為了追求更高的效能 另一派為工程派，旨在將演算法更穩定 高效的落地在硬體平台上，效率是其追求的目標。複雜的模型固然具有更好的效能...