Resumen

Muchas de las redes neuronales convolucionales actuales son difíciles de satisfacer los requisitos de la aplicación práctica debido a los enormes parámetros de la red. Para acelerar la velocidad de inferencia de las redes, se ha prestado cada vez más atención a la compresión de las mismas. La poda de redes es una de las formas más eficientes y sencillas de comprimir y acelerar las redes. En este trabajo se propone un algoritmo de poda para la tarea de ligereza y se investiga una estrategia de poda basada en la representación de características. A diferencia de otros enfoques de poda, la estrategia propuesta se guía por la tarea práctica y elimina los filtros irrelevantes en la red. Después de la poda, la red se compacta a un tamaño menor y es fácil recuperar la precisión con un ajuste fino. El rendimiento del algoritmo de poda propuesto se valida en los conjuntos de datos de imágenes reconocidos, y los resultados experimentales demuestran que el algoritmo propuesto es más adecuado para podar los filtros irrelevantes para el conjunto de datos de ajuste fino.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:filtro irrelevante, red neuronal convolucional, enormes parámetros de red, algoritmo de poda propuesto, requisitos de aplicación práctica, red, velocidad de la red, conjuntos de datos de imágenes reconocidos, tamaño más pequeño, estrategia propuesta
• Keywords:irrelevant filter, convolutional neural network, enormous network parameters, proposed pruning algorithm, practical application requirements, network, speed of network, acknowledged image datasets, smaller size, proposed strategy