1.创新点
提出了一种新的过滤器剪枝方法,即通过几何中值的过滤器剪枝(FPGM
)来压缩模型。
与以前的方法不同,FPGM
通过修剪带有冗余信息的过滤器而不是那些重要性“相对较低”的过滤器来压缩 CNN
模型。
与之前修剪贡献相对较少的过滤器的方法不同,FPGM
选择具有最大可替换贡献的过滤器。具体来说,我们计算同一层内过滤器的几何中值 (GM
) [8]。根据 GM
的特性,它附近的滤波器 F
可以用剩下的滤波器来表示。因此,修剪这些过滤器不会对模型性能产生实质性的负面影响。
2.解决了哪些问题
基于范数的剪枝方法,依赖两个并不总是满足的要求:(1)滤波器的范数偏差应该很大; (2) 滤波器的最小范数应该很小。而 FPGM
不需要这两个要求。
将修剪操作与正常训练过程相结合,因此不需要额外的微调。
3.原理和算法流程
先求出第 i
层的几何中值,在从第 i
层找出最接近该几何中值的滤波器,将它们置 0。
为了摆脱基于范数标准中的约束,我们提出了一种受几何中值启发的新过滤器修剪方法。几何中值 [8] 的中心思想如下:给定一组 n 个点 a ( 1 ) , . . . , a ( n ) a^{(1)},...,a^{(n)} a(1),...,