《表1 VGG-16基于flower-102数据集的剪枝结果》

  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

VGG-16.本部分实验中，设置ε=5%，同时令βmin=10%.表1对比了几种剪枝算法的压缩性能，包括Li等[11]提出的L1范数剪枝算法和Molchanov等[20]提出的Taylor剪枝算法.相比于L1范数剪枝算法和Taylor剪枝算法，从表中可以看出本文提出的归因剪枝算法和Taylor-guided剪枝算法在高压缩比的设置下仍然可以达到较优的top-1值.尤其在对比L1范数剪枝算法和归因剪枝算法时，我们可以发现在压缩模型达到相近的top-1时，归因剪枝算法可以获得更低FLOPs和参数量的压缩模型（96.44%vs.86.99%，83.04%vs.68.89%）.此外对比归因剪枝算法和Taylor剪枝算法，我们可以看出归因剪枝算法对模型FLOPs和参数量的压缩比（96.44%vs.93.14%，83.04%vs.80.30%）要高于Taylor剪枝算法的压缩比.采用归因剪枝算法和Taylor-guided剪枝算法对模型处理时，在FLOPs和参数量的减少量分别为75.26%，71.79%和67.26%，19.26%时，模型的top-1值可以达到与原始模型相近水平.以上结果充分地说明归因剪枝算法和Taylor-guided剪枝算法可以应用于VGGNet且表现突出，证明了两种剪枝算法在平铺式卷积模型压缩中的优异表现.