cookie_234的博客

转自：http://blog.csdn.net/zhangjunhit/article/details/53218211NIPS 2016 http://arxiv.org/abs/1608.04493文章是以Song Han,2015年的一篇文章文参考文献的；Song Han在2016年也发表了一篇关于模型压缩的文章并且获得了ICLR 2016 best paper（见上一篇博客）

分享一个很不错的讲解pycaffe的链接 http://christopher5106.github.io/deep/learning/2015/09/04/Deep-learning-tutorial-on-Caffe-Technology.html

Incremental Network Quantization: Towards Lossless CNNs with Low-precision WeightsIntro英特尔中国研究院：INQ神经网络无损低比特量化技术 给定任意结构的全精度浮点神经网络模型，能将其转换成无损的低比特二进制模型

转载自：http://blog.csdn.net/jackytintin/article/details/534452801. BinaryNet

转载请注明出处：西土城的搬砖日常

Soft weight-sharing for neural network compressionAbstractachieves both quantization and pruning in one simple (re-)training procedure

Exploring the Regularity of Sparse Structure in Convolutional Neural Networks方法介绍目的： 探索稀疏性和预测精度之间的关系 能不能在稀疏性的规则中找到一个平衡点，这个点是如何提升硬件实现效率的为了探索上面的问题，文章设置了几种不同的剪枝粒度等级，在前人的基础上进行对比实验，探索剪枝粒度和预测精度之间的关系

转载自：http://blog.csdn.net/wangqingbaidu/article/detailsLearning Structured Sparsity in Deep Neural Networks

本次介绍的方法为“深度压缩”，文章来自2016ICLR最佳论文 《Deep Compression: Compression Deep Neural Networks With Pruning, Trained Quantization And Huffman Coding

Learning both Weights and Connections for Efficient Neural NetworksAbstract目的：减少存储量和计算量，使网络更适合在移动设备上运行方法：简单地说是只学习重要的连接，修剪冗余的连接减少模型参数

转自：http://blog.csdn.net/cv_family_z/article/details/70847482?locationNum=1&fps=1MobileNets用于手机或嵌入式视觉应用，提出使用depthwise separable convolutions 构造轻量化的深度神经网络，并使用两个全局超参数Width Multiplier和Resolution Multiplier减少参数数量。

转自： http://blog.csdn.net/shenxiaolu1984/article/details/51444525 Iandola, Forrest N., et al. “SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 1MB model size.” arXiv preprint arXiv:

Do Deep Nets Really Need to be Deep? 论文链接： http://arxiv.org/abs/1312.6184文章主旨 Shallow feed-forward nets can learn the complex functions previously learned by deep nets

这是2015年斯坦福和英伟达的一篇论文。转载自：http://blog.csdn.net/meanme/article/details/48713327之前介绍的两篇关于神经网络压缩的文章都是以这篇文章为基础进行的1.简介：通过修剪训练后网络中的不重要连接（connections），来减少网络所需要的参数，减少内存和cpu的消耗，使网络更加适应在移动设备上运行。2.idea思想：1）首先训练整

转载自： http://blog.csdn.net/u011995719/article/details/78900575WAE(Wavelet-like Auto-Encoder) 是由来自中大、哈工大、桂电等多机构的多名研究人员合作提出的，发表于AAAI-2018(论文地址： https://arxiv.org/pdf/1712.07493.pdfgithub创新点： 1.