摘要
我们展示了我们称之为稀疏学习的可能性：在训练过程中保持权重稀疏的同时加速深度神经网络的训练，并达到与密集模型相当的性能水平。我们通过开发稀疏动量算法实现了这一目标，该算法利用指数平滑梯度（动量）来高效地识别出能够减少误差的层和权重。稀疏动量根据每层的平均动量大小重新分配被剪枝的权重。在同一层内，稀疏动量根据零值权重的动量大小增长权重。我们在MNIST、CIFAR-10和ImageNet数据集上展示了最先进的稀疏性能，相比其他稀疏算法，分别将平均误差相对降低了8%、15%和6%。此外，我们还证明了稀疏动量能够可靠地再现密集模型的性能水平，同时提供最高5.61倍的训练加速。在我们的分析中，消融实验表明，动量重新分配和增长的好处随着网络深度和规模的增加而增加。此外，我们发现稀疏动量对超参数的选择不敏感，这表明稀疏动量具有鲁棒性和易用性。