《表2 不同方法对模型参数量的影响》
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
《一种基于Lasso回归与SVD融合的深度学习模型压缩方法》
对基于Lasso回归的网络剪枝与SVD融合的算法,在模型一上进行验证。模型一中各卷积层通道的裁剪比例依然遵循各层对裁剪的敏感度、加速率来综合确定,浅、深层卷积的通道保留率之比仍维持在1∶1.5,裁剪完后在数据集Oxford flowers_102上微调10 epoches,最后进行奇异值分解。因为奇异值能同时对卷积层和全连接层进行分解,所以能明显降低模型存储要求。表2通过对比不同方法得到的模型数据量(以caffemodel的大小为准),验证了相对于传统方法SVD在减少模型存储需求上的有效性。
图表编号 | XD0054884800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.28 |
作者 | 吴进、吴汉宁、刘安、李聪、李乔深 |
绘制单位 | 西安邮电大学电子工程学院、西安邮电大学电子工程学院、西安邮电大学电子工程学院、西安邮电大学电子工程学院、西安邮电大学电子工程学院 |
更多格式 | 高清、无水印(增值服务) |