《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》

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

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。