近期，关于彩票效应假设（Lottery Ticket Hypothesis, LTH）以及单次剪枝（Single-Shot Network Pruning, SNIP）的研究引发了学术界对训练后剪枝（迭代幅度剪枝）与训练前剪枝（初始化阶段剪枝）的广泛关注。然而，前者通常面临极高的计算开销，而后者则往往难以达到理想的性能表现。相比之下，训练中剪枝（during-training pruning）这一类方法在保持训练与推理效率的同时，能够实现与现有方法相当的性能，因而目前仍鲜有深入探索。为更深入理解训练中剪枝机制，本文从“剪枝可塑性”（pruning plasticity）的角度出发，对整个训练过程中剪枝的影响进行了定量分析。剪枝可塑性指剪枝后网络恢复原始性能的能力，该概念有助于解释文献中关于神经网络剪枝的多个经验性现象。进一步研究发现，通过引入一种受大脑启发的机制——神经再生（neuroregeneration），即在剪枝后重建与被剪枝数量相同的连接，可显著提升剪枝可塑性。基于此，我们提出一种新型渐进式幅度剪枝方法——零代价神经再生渐进剪枝（Gradual Pruning with Zero-Cost Neuroregeneration, \textbf{GraNet}），该方法在性能上达到当前最优水平。尤为突出的是，GraNet 的稀疏到稀疏（sparse-to-sparse）版本首次在不增加训练时间的前提下，实现了在 ImageNet 数据集上基于 ResNet-50 的稀疏到稀疏训练性能超越多种密集到稀疏（dense-to-sparse）方法的突破。相关代码已开源，地址为：https://github.com/Shiweiliuiiiiiii/GraNet。