摘要
卷积神经网络（CNNs）在各种应用中取得成功的同时，也伴随着计算和参数存储成本的显著增加。近期减少这些开销的努力主要集中在不损害原始精度的前提下，对各层的权重进行剪枝和压缩。然而，基于权重大小的剪枝方法虽然能大幅减少全连接层中的参数数量，但由于剪枝后的网络存在不规则稀疏性，可能无法充分降低卷积层的计算成本。本文提出了一种加速CNN的方法，通过识别并剪除对输出精度影响较小的滤波器来实现。通过在网络中移除整个滤波器及其连接的特征图，可以显著降低计算成本。与权重剪枝不同的是，这种方法不会导致稀疏连接模式的出现，因此不需要依赖稀疏卷积库的支持，而是可以直接利用现有的高效BLAS库进行密集矩阵乘法运算。我们展示了即使简单的滤波器剪枝技术也能在CIFAR10数据集上将VGG-16的推理成本降低高达34%，ResNet-110的推理成本降低高达38%，同时通过重新训练网络几乎恢复到原始精度。