[发明专利]一种基于激活-熵权重剪枝的CNN模型压缩方法在审
| 申请号： | 201910355830.9 | 申请日： | 2019-04-29 |
| 公开（公告）号： | CN110097187A | 公开（公告）日： | 2019-08-06 |
| 发明（设计）人： | 毛莺池;王庆永;王绎超;戚荣志;黄倩;平萍 | 申请（专利权）人： | 河海大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06N3/04;G06N3/06 |
| 代理公司： | 南京苏高专利商标事务所(普通合伙) 32204 | 代理人： | 梁耀文 |
| 地址： | 211100 *** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于激活‑熵权重剪枝的CNN模型压缩方法包括基于激活‑熵权值的重要性评判和面向层的迭代剪枝两个阶段。在基于激活‑熵权值的重要性评判阶段：采用基于激活‑熵的权重评判方法，将神经元激活值和信息熵结合计算权值重要性得分，用以衡量权值重要性。在面向层的迭代剪枝阶段：采用逐层剪枝，根据权值重要性得分，遵循筛选‑裁剪‑微调步骤对每层神经元进行迭代剪枝，在保证模型精确度下有效压缩CNN模型体积。本发明采用基于激活‑熵权重剪枝方法，筛选重要性低的模型参数，从而减少CNN模型体积。同时对剪枝后模型进行微调，保证模型计算精度。 | ||
| 搜索关键词： | 剪枝 激活 权重 迭代 模型压缩 评判 面向层 微调 神经元 筛选 神经元激活 剪枝阶段 模型参数 模型计算 信息熵 裁剪 保证 压缩 衡量 | ||
【主权项】：
1.一种基于激活‑熵权重剪枝的CNN模型压缩方法，其特征在于，包括如下步骤：(1)在基于激活‑熵权值的重要性评判阶段：采用基于激活‑熵的权重评判方法，将神经元激活值和信息熵结合计算权值重要性得分，以评价权值重要性；(2)在面向层的迭代剪枝阶段：采用逐层剪枝，根据权值重要性的得分，遵循筛选‑裁剪‑微调步骤对每层神经元进行迭代剪枝，在保证模型精确度下有效压缩CNN模型。
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河海大学，未经河海大学许可，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/201910355830.9/，转载请声明来源钻瓜专利网。
