[发明专利]基于变分推断的逐层神经网络剪枝方法和系统在审
| 申请号： | 201910195272.4 | 申请日： | 2019-03-14 |
| 公开（公告）号： | CN110020718A | 公开（公告）日： | 2019-07-16 |
| 发明（设计）人： | 王延峰;周越夫;张娅 | 申请（专利权）人： | 上海交通大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 上海恒慧知识产权代理事务所(特殊普通合伙) 31317 | 代理人： | 徐红银 |
| 地址： | 200240 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供了一种基于变分推断的逐层神经网络剪枝方法和系统，该方法包括：通过采样方式在神经网络中注噪声，得到噪化的神经网络；根据预设的目标函数对噪化的神经网络的权重进行训练，得到训练后的神经网络权重和训练后的神经网络；根据变分推断得到的变分下界，训练注入的乘性高斯噪声对应的噪声参数，得到训练后的噪声参数；基于所述训练后的噪声参数、训练后的神经网络权重，通过阈值函数逐层删除所述训练后的神经网络中相应的神经元或者卷积核。本发明的方法中，所注入的噪声在训练过程中融入了神经网络的层级关系，使得在剪枝过程中充分考虑层间的依赖，继而保证了在高度剪枝下神经网络的输出结果依旧具备鲁棒性。 | ||
| 搜索关键词： | 神经网络 剪枝 噪声参数 推断 权重 噪声 神经元 采样方式 层级关系 高斯噪声 目标函数 输出结果 训练过程 阈值函数 卷积核 鲁棒性 权重和 层间 乘性 下界 预设 删除 融入 保证 | ||
【主权项】：
1.一种基于变分推断的逐层神经网络剪枝方法，其特征在于，包括：通过采样方式在神经网络中注噪声，得到噪化的神经网络；根据预设的目标函数对噪化的神经网络的权重进行训练，得到训练后的神经网络权重和训练后的神经网络；根据变分推断得到的变分下界，训练注入的乘性高斯噪声对应的噪声参数，得到训练后的噪声参数；基于所述训练后的噪声参数、训练后的神经网络权重，通过阈值函数逐层删除所述训练后的神经网络中相应的神经元或者卷积核。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于上海交通大学，未经上海交通大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910195272.4/，转载请声明来源钻瓜专利网。
