تُعد الشبكات العصبية العميقة عادةً باهظة التكلفة من حيث الحوسبة لدرجة لا تسمح بتشغيلها في الزمن الفعلي على الأجهزة الاستهلاكية والDevices ذات الطاقة المنخفضة. في هذا البحث، نستكشف تقليل المتطلبات الحسابية والذاكرة للشبكات العصبية من خلال تقنيتي تقليل الشبكة (network pruning) والتكميم (quantisation). ونُقيّم فعالية هاتين التقنيتين على الشبكات الكبيرة مثل AlexNet مقارنةً بالهياكل المدمجة الحديثة مثل ShuffleNet وMobileNet. تُظهر نتائجنا أن تقنيتي تقليل الشبكة والتكميم تُقلّص حجم هذه الشبكات إلى أقل من نصف حجمها الأصلي، وتحسّن كفاءتها، خاصةً في حالة MobileNet حيث تم تحقيق تسريع بنسبة 7 أضعاف. كما نُظهر أن تقليل الشبكة، بجانب تقليل عدد المعلمات في الشبكة، يمكن أن يُسهم في معالجة مشكلة التعلم الزائد (overfitting).