A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

A Spectral Clustering Based Filter-Level Pruning Method for Convolutional Neural Networks Um método de poda em nível de filtro baseado em clustering espectral para redes neurais convolucionais

Lianqiang LI, Jie ZHU, Ming-Ting SUN

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Redes Neurais Convolucionais (CNNs) geralmente possuem milhões ou até bilhões de parâmetros, o que dificulta sua implantação em dispositivos móveis. Neste trabalho, apresentamos um novo método de poda em nível de filtro para aliviar esse problema. Mais concretamente, primeiro construímos um gráfico totalmente conectado não direcionado para representar um modelo CNN pré-treinado. Em seguida, empregamos o algoritmo de agrupamento espectral para dividir o gráfico em alguns subgráficos, o que equivale a agrupar os filtros semelhantes da CNN nos mesmos grupos. Depois de obter os relacionamentos de agrupamento entre os filtros, finalmente mantemos um filtro para um grupo e treinamos novamente o modelo podado. Comparado com métodos de poda anteriores que identificam os filtros redundantes por meios heurísticos, o método proposto pode selecionar os candidatos à poda de forma mais razoável e precisa. Os resultados experimentais também mostram que o nosso método de poda proposto apresenta melhorias significativas em relação ao estado da arte.

Publicação
IEICE TRANSACTIONS on Information Vol.E102-D No.12 pp.2624-2627
Data de publicação
2019/12/01
Publicitada
2019/09/17
ISSN online
1745-1361
DOI
10.1587/transinf.2019EDL8118
Tipo de Manuscrito
LETTER
Categoria
Inteligência Artificial, Mineração de Dados

autores

Lianqiang LI
  Shanghai Jiao Tong University (SJTU)
Jie ZHU
  Shanghai Jiao Tong University (SJTU)
Ming-Ting SUN
  University of Washington

Palavra-chave