《表1 对比实验结果/%：基于字典学习的卷积神经网络压缩方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于字典学习的卷积神经网络压缩方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了与常见的网络参数裁剪、聚类、编码混合的压缩方法进行对比，本次对比实验，用这种混合的压缩方法对LeNet-C5和DenseNet进行了压缩实验，首先进行网络参数裁剪，采用逐步裁剪的策略（每次裁剪10%的参数），每次裁剪之后再进行重新训练，更新未裁剪的权值来恢复精度，最终LeNet-C5裁剪了80%的参数、DenseNet裁剪了70%的参数。裁剪之后，对权值进行K-means聚类，将每个簇的权值，替换为聚类中心的数值，之后再进行重新训练，更新聚类中心来恢复精度。最后，对其进行哈夫曼编码，实现网络压缩。实验结果见表1。