《表1 VGG-16基于flower-102数据集的剪枝结果》
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.
图表编号 | XD00204795000 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.20 |
作者 | 张彪、杨朋波、桑基韬、于剑 |
绘制单位 | 北京交通大学计算机与信息技术学院、交通数据分析与挖掘北京市重点实验室(北京交通大学)、北京交通大学计算机与信息技术学院、交通数据分析与挖掘北京市重点实验室(北京交通大学)、北京交通大学计算机与信息技术学院、交通数据分析与挖掘北京市重点实验室(北京交通大学)、北京交通大学计算机与信息技术学院、交通数据分析与挖掘北京市重点实验室(北京交通大学) |
更多格式 | 高清、无水印(增值服务) |