[发明专利]面向嵌入式系统的深度神经网络压缩和加速方法及系统有效
| 申请号： | 201910578644.1 | 申请日： | 2019-06-28 |
| 公开（公告）号： | CN110298446B | 公开（公告）日： | 2022-04-05 |
| 发明（设计）人： | 郭庆北 | 申请（专利权）人： | 济南大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06N3/04;G06N3/06 |
| 代理公司： | 北京睿智保诚专利代理事务所(普通合伙) 11732 | 代理人： | 周新楣 |
| 地址： | 250022 山东*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种面向嵌入式系统的深度神经网络压缩方法及系统，所述方法包括：获取待压缩的原始神经网络模型；对所述神经网络模型中各层的过滤器/输出神经元进行重要性评估；基于重要性评估结果，对所述神经网络模型中各层的过滤器/输出神经元采用聚类方法进行分组；根据预设的每层的压缩率，采用聚类中心确定弱连接并进行裁剪，得到压缩后的模型；将压缩后的模型通过局部和全局微调恢复它的识别性能；将所述压缩后的模型部署到嵌入式系统中，采用本发明的压缩方法，一方面降低网络的存储空间和加速网络的推断，另一方面保持网络的识别精度。 | ||
| 搜索关键词： | 面向 嵌入式 系统 深度 神经网络 压缩 加速 方法 | ||
【主权项】：
1.一种面向嵌入式系统的深度神经网络压缩和加速方法，其特征在于，包括：获取待压缩的原始神经网络模型；对所述神经网络模型中各层的过滤器/输出神经元的每个输入通道进行重要性评估；基于重要性评估结果，对所述神经网络模型中各层的过滤器/输出神经元采用聚类方法进行分组；根据预设的每层的压缩率，采用聚类中心确定弱连接并进行裁剪，得到压缩后的模型；将压缩后的模型通过局部和全局微调恢复识别性能；将所述压缩后的模型部署到嵌入式系统中。
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济南大学，未经济南大学许可，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/201910578644.1/，转载请声明来源钻瓜专利网。
- 上一篇：深度学习自主运行方法
- 下一篇：用于处理机器学习方法的参数的方法以及重建方法
