《表3 Res Net-50在Image Net上的剪枝结果》

  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

《基于特征图自注意力机制的神经网络剪枝算法》

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

在Image Net数据集上的实验结果：为了验证本算法在不同数据集上的普适性，在更富有挑战的Image Net数据集上，以Res Net-50为基准网络进行剪枝实验，同时对比大量的现有剪枝方法。实验结果如表3所示。整体而言，方法剪枝效率优于所有其他对比的方法。我们测试了三种剪枝率，在低剪枝率下，在FLOPs和参数量分别减少44.0%和43.8%的情况下，该方法获得了75.60%的Top-1准确率和92.60%的Top-5准确率。所提方法在FLOPs和参数量缩减方面显示出更多的优势，并且性能显著优于SSS、CP、SFP和HRank。在高剪枝率下，与Thi Net、GAL-1Joint和HRank相比，在更大的剪枝率下（76.7%的Flops和68.6%的参数缩减），该方法压缩更有效（72.19%的Top-1准确率和90.68%的Top-5准确率），在Top-1分类准确率上至少优于对比方法2%。此外，FPGM方法的剪枝性能与该方法接近，而在CIFAR-10上，我们的方法显著优于FPGM。这说明FPGM更加适用于Image Net数据集，同时也再次验证了基于权重的剪枝方法不能有效地利用数据的先验信息，很难获得在所有数据集上的高效性。综上所述，该方法同样适用于复杂的数据集，且相较于其他方法有较为明显的优势。