Resumen

ResNet ha sido ampliamente utilizado en el campo del aprendizaje automático desde que fue propuesto. Este modelo de red es exitoso en la extracción de características de los datos de entrada al superponer múltiples capas de redes neuronales y lograr así una alta precisión en muchas aplicaciones. Sin embargo, la superposición de redes neuronales de múltiples capas aumenta su costo computacional. Por esta razón, proponemos una técnica de compresión del modelo de red que elimina múltiples capas de redes neuronales de ResNet sin disminuir la tasa de precisión. La idea clave es proporcionar un término de prioridad para identificar la importancia de cada capa de red neuronal, y luego seleccionar las capas no importantes para ser eliminadas durante el proceso de entrenamiento basándose en la prioridad de las capas de red neuronal. Además, este artículo también vuelve a entrenar el modelo de red para evitar la degradación de la precisión causada por la eliminación de capas de red. Los experimentos demuestran que el tamaño de la red puede reducirse en un 24.00%

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Resnet; Aprendizaje automático; Redes neuronales; Compresión de modelos de red; Capas; Precisión
• Keywords:Resnet; Machine learning; Neural networks; Network model compression; Layers; Accuracy