ThiNet: A Filter Level Pruning Method for Deep Neural Network Compression筆記

前言 致力於濾波器的剪枝，論文的方法不改變原始網絡的結構。論文的方法是基於下一層的統計信息來進行剪枝，這是區別已有方法的。 VGG-16上可以減少3.31FLOPs和16.63倍的壓縮，top-5的準確率只下降0.52%。在ResNet-50上可以降低超過一半的參數量和FLOPs，top-5的準確率只降低1%。   如上圖所示，在虛線框中找到那些弱通道（weak channels）和他們對應的濾波

>>阅读原文<<