深度學習：降低計算代價的三個思路

卷積神經網絡存在網絡結構複雜，運算量大，速度慢的問題，對於一些實時性要求較高的應用來說具有較大的侷限性，那麼將大規模學習系統部署到移動設備上該如何解決呢？即在保持深度學習精度同時，如何降低深度學習的計算代價？ 1. 網絡剪枝 實現方式： TF官方提供了詳盡的Keras剪枝教程和Python API文檔，以及訓練稀疏模型等高級用法的指導。 目的： 找出這些冗餘連接並將其移除，使其不再參與網絡的前向或

>>阅读原文<<