Les réseaux de neurones profonds sont généralement trop coûteux en termes de calcul pour être exécutés en temps réel sur du matériel grand public ou des dispositifs à faible puissance. Dans cet article, nous étudions la réduction des exigences en calcul et en mémoire des réseaux de neurones grâce à la suppression de connexions (pruning) et à la quantification. Nous évaluons leur efficacité sur de grands réseaux tels qu’AlexNet, en les comparant à des architectures récentes compactes : ShuffleNet et MobileNet. Nos résultats montrent que la combinaison de la pruning et de la quantification permet de réduire la taille de ces réseaux à moins de la moitié de leur taille initiale, tout en améliorant significativement leur efficacité, notamment sur MobileNet où une accélération de 7 fois est observée. Nous démontrons également que la pruning, en plus de réduire le nombre de paramètres d’un réseau, peut contribuer à corriger le surajustement (overfitting).