.png){kind=icon}
返回
Electrostatic force regularization for neural structured pruning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.123045.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对在资源受限设备上部署深度卷积神经网络（DCNNs）以实现实时应用的需求仍然很大。然而，现有的最先进的结构化剪枝方法通常涉及复杂的实现，需要对原始网络架构进行修改，并且需要大量的微调阶段。为解决这些挑战，我们引入了一种新颖的方法，将物理学中的静电力学概念整合到DCNNs的训练过程中。这种力的强度与卷积滤波器和源滤波器的电荷乘积成正比，与它们之间距离的平方成反比。我们将类静电力应用于卷积滤波器，使带相反电荷的滤波器向非零权重吸引，而将带相同电荷的滤波器向零排斥。因此，被排斥的滤波器随着其权重趋近于零而被剪枝，而被吸引的滤波器则保留重要的参数以保持关键信息。与常规方法不同，我们的方法易于实现，无需任何架构修改，并且能同时优化权重和评估滤波器的重要性，而无需大量微调。我们使用MNIST、CIFAR和ImageNet数据集在现代DCNN架构上验证了该方法的有效性，其性能与现有的结构化剪枝方法相比具有竞争力。
Keyword:
DCNNs
Electrostatic force
Structured pruning
Regularization
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
查看更多机构
引用论文
Gradual Channel Pruning While Training Using Feature Relevance Scores for Convolutional Neural Networks.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏Optimizing sparse topologies via competitive joint unstructured neural networks通过竞争性联合非结构化神经网络优化稀疏拓扑结构
PREAI
分享收藏Multi-objective evolutionary architectural pruning of deep convolutional neural networks with weights inheritance具有权重继承的多目标进化深层卷积神经网络架构剪枝
PREAI
分享收藏分享收藏 没有更多内容