申请/专利权人：的卢技术有限公司

申请日：2019-12-31

公开（公告）日：2024-04-19

公开（公告）号：CN111199282B

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：2024.04.19#授权;2023.11.03#著录事项变更;2020.06.19#实质审查的生效;2020.05.26#公开

摘要：本发明公开了一种提高硬件运算效率的卷积神经网络模型剪枝方法及装置，包括构建卷积神经网络模型，并稀疏化训练所述模型；设定剪枝策略，将训练后的所述模型剪枝，重新整合；再次稀疏化训练剪枝后的剪枝模型，直至所述剪枝模型训练精度明显下降；停止所述剪枝，获得高效的所述剪枝模型。本发明通过采用规整剪枝的策略，使得剪枝后的模型可以在硬件运算设备上有更好的运算效率，对于不同层的剪枝策略不作统一处理，可以达到整体网络整体剪枝的效果，不会出现中间层压缩消失的情况，提高压缩率。

主权项：1.一种卷积神经网络模型的剪枝方法，其特征在于：包括，构建待剪枝的卷积神经网络模型；构建所述卷积神经网络模型包括：设置图片训练数据集；采用人为设定的数字配置卷积层的通道数目；利用多个所述卷积层叠加组建网络；结合子采样层构成特征抽取器，构建所述模型，所述模型用于图像识别；增加剪枝策略稀疏化训练所述模型来获取稀疏的参数；所述稀疏化训练包括：利用交叉熵损失函数CE公式检测网络的分类损失，公式如下： 其中，output是网络的输出结果，label是图片所属的实际类别；利用L1损失函数对Gamma值惩罚，获得稀疏参数组，公式如下：L1loss＝pi,n*||Gamma||其中，pi,n是惩罚系数函数；所述惩罚系数函数，公式如下：pi,n＝n-b–a*||m-i||b+1*base其中剪枝vgg网络，b＝256,a＝30,m＝10,base＝0.0001；最后，设计损失函数L，公式如下：L＝Lce+L1loss＝CElabel,output+pi,n*||Gamma||；训练所述神经网络模型，并保存训练模型参数；根据所述参数定义剪枝策略和剪枝标准，利用所述剪枝标准对所述模型裁剪，删除参数值过小的网络通道重新整合网络参数后构建新模型；再次稀疏化训练所述新模型并生成新稀疏的参数，进行新一轮剪枝操作；重复上述稀疏化训练和剪枝，不断更新网络参数；直至生成的最新模型的训练精度明显下降，停止所述剪枝操作；获得高效的剪枝模型用于硬件运算设备。

全文数据：

权利要求：

百度查询： 的卢技术有限公司 提高硬件运算效率的卷积神经网络模型剪枝方法及装置

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