《表3 基于cifar-10的VGG模型压缩结果》

  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

《基于特征归因重要度评价的卷积网络剪枝》

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

本部分基于cifar-10数据集对VGG网络框架进行压缩，以验证Taylor-guided剪枝算法在模型（小尺度图像作为训练集）压缩中的有效性.VGG-16网络基于cifar-10的剪枝结果如表3所示，此时βmin=10%，令ε=2%.从表中可以看出Taylor-guided剪枝算法在FLOPs减少79.30%、参数压缩86.05%的情况下，仍然可以保持着较高的top-1值（93.21%）.当压缩模型top-1接近93.2%时，我们可以发现通过Taylor-guided剪枝压缩的模型，其FLOPs和参数量（79.30%，86.05%）的压缩率要优于L1剪枝算法（34.39%，65.71%）和SSS剪枝算法（41.72%，73.13%）的压缩率；此外相对于Zhao等所提算法和Taylor剪枝算法，Taylor-guided剪枝在高压缩比的情况下（FLOPs压缩率对比79.30%vs.39.49%vs.41.72%，参数量压缩率86.05%vs.73.33%vs.73.13%），仍然能够获得较高的top-1值（93.21%）.这也表明Taylor-guided剪枝在压缩通过小尺度图片训练的网络时，也可以表现出优越的性能.