申请/专利权人：华南理工大学

申请日：2021-03-19

公开（公告）日：2024-03-22

公开（公告）号：CN112884149B

主分类号：G06N3/082

分类号：G06N3/082;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.06.18#实质审查的生效;2021.06.01#公开

摘要：本发明公开了一种基于随机敏感度ST‑SM的深度神经网络剪枝方法及系统，利用随机敏感度衡量剪除节点对后继层输出的影响，以此为依据挑选需要剪除的节点，有效减少剪枝过程对网络性能的损害；利用权重补偿重建被剪枝层的节点输出，以减少剪枝过程中的模型性能退化，用训练集样本构造补偿权重需满足的方程组，通过共轭梯度预处理正则方程CGPCNE方法解出补偿权重值，并对剩余节点权重进行补偿；利用重训练改善剪枝后模型的性能，该方法能在维持模型原有性能的前提下，利用剪枝移除深度神经网络中的节点，对深度神经网络模型进行压缩与加速，有效减少模型空间开销，提升运行效率。

主权项：1.一种基于随机敏感度ST-SM的深度神经网络剪枝方法，所述深度神经网络应用于图像分类、目标检测或语音识别领域，其特征在于，所述方法包括如下步骤：步骤1，利用随机敏感度衡量剪除节点对后继层输出的影响、挑选需要剪除的节点，以减少剪枝过程对网络性能的损害，所述步骤1进一步包括：采用随机敏感度衡量剪除该节点对后继层输出的影响；对深度神经网络模型进行权重扰动，设被剪枝层为深度神经网络中的第i层，则对后继层输出的影响定义为扰动前后，第i+1层输出的变化量，即其中Yi+1表示进行扰动前第i+1层的输出向量，Y′i+1表示扰动后的输出向量；随机敏感度定义为扰动前后，第i+1层输出变化量平方的期望在训练集的所有N个样本上的平均值，即其中和分别表示代入训练集样本后，得到的扰动前和扰动后的输出向量，由于期望无法直接求得，需要通过随机采样的方式来估计随机敏感度ST-SM的值，构造权重扰动向量其中Ni+1为第i+1层的节点数量，表示当中的Ni+1个分量，p表示要对第i层的第p个节点进行扰动，扰动向量的各个分量随机采样自同一个均值为0的均匀分布，将扰动向量加到原权重上得到扰动后的权重wp′，随机采样共进行h次，h为预先定义的超参数，取h次的平均结果作为估计值通过此种方法，即求得第i层中每一个节点的随机敏感度ST-SM，将所有的节点根据随机敏感度ST-SM值从小到大排序，随机敏感度ST-SM值小的节点被删除，直到该层的剪枝比例达到要求；步骤2，利用权重补偿重建被剪枝层的节点输出，以减少剪枝过程中的模型性能退化，用训练集样本构造补偿权重需满足的方程组，通过共轭梯度预处理正则方程CGPCNE方法解出该方程组，得到补偿权重值，并对剩余节点权重进行补偿；步骤3，利用重训练改善剪枝后模型的性能。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于随机敏感度ST-SM的深度神经网络剪枝方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD