综述：Pruning and Quantization for Deep Neural Network Acceleration: A Survey

一、章节介绍

5. Summary（总结）

5.1. Pruning（剪枝）

      第3节显示了剪枝是压缩神经网络的一种重要技术。在本文中，我们讨论了分为：静态剪枝和2)动态剪枝的技术。以前的静态剪枝是研究的主要领域。recently，动态剪枝已经成为一种新的趋势,因为动态剪枝可以在静态剪枝提高的性能基础上进一步提高性能。
       pruning（剪枝）的方法：

1. Element-wise pruning
        Element-wise pruning improves weight compression and storage.(改善了权重的压缩和存储能力)
2. Channel-wise and shape-wise pruning（通道和形状）
        用专门的硬件和软件计算库，可以加速通道上和形状上的剪枝。
3. Filter-wise and layer-wise pruning（按过滤方式和按分层方式进行剪枝）
       过滤式和分层式剪枝可以显著降低计算复杂度。

5.2. Quantization（量化）

         第4节总结了量化技术。它描述了二值化量化神经网络，降低精度网络，以及它们的训练方法。我们描述了低位数据集验证技术和结果。我们