[发明专利]一种基于特征图激活率的自动神经网络剪枝方法

权利要求书

1.一种基于特征图激活率的自动神经网络剪枝方法，涉及神经网络领域，所述方法提供一种新的自动神经网络剪枝算法，根据一个超参数自适应地剪去每一层冗余的滤波器，使得模型的冗余信息减少，大大提升模型推理速度和在端侧的运行效率。

2.如权利要求1所述的一种基于特征图激活率的自动神经网络剪枝方法，其特征在于，所述超参数，即激活率A。

3.如权利要求2所述的一种基于特征图激活率的自动神经网络剪枝方法，其特征在于，所述A的范围为0-1。

4.如权利要求3所述的一种基于特征图激活率的自动神经网络剪枝方法，其特征在于，当某一个特征图的所述激活率小于所述A时，这个卷积核判断为冗余的卷积核。

5.如权利要求4所述的一种基于特征图激活率的自动神经网络剪枝方法，其特征在于，所述冗余的卷积核，可以从网络中剪去。

6.如权利要求5所述的一种基于特征图激活率的自动神经网络剪枝方法，其特征在于，所述方法包括以下步骤：

步骤1、获取所述特征图；

步骤2、判断所述冗余的卷积核；

步骤3、剪枝。

7.如权利要求6所述的一种基于特征图激活率的自动神经网络剪枝方法，其特征在于，所述步骤1是将数据输入待剪枝的神经网络模型进行前向推理，获取经过卷积层输出的所述特征图。

8.如权利要求7所述的一种基于特征图激活率的自动神经网络剪枝方法，其特征在于，所述步骤2是指从上往下，将每一层所述特征图通过激活层，然后计算输出所述特征图的每一个通道的非零占比，如果第i个所述通道的非零占比小于所述A，那么该所述卷积层的第i个所述卷积核为所述冗余的卷积核。

9.如权利要求8所述的一种基于特征图激活率的自动神经网络剪枝方法，其特征在于，所述激活层选择Relu层。

10.如权利要求9所述的一种基于特征图激活率的自动神经网络剪枝方法，其特征在于，所述步骤3将每个所述卷积层的所述冗余的卷积核从所述神经网络模型中剪去，然后用原始的训练数据进行微调，最终得到剪枝后的模型。