论文连接：https://arxiv.org/abs/1608.08710
1.论文概要
作者介绍了一种新的filter剪枝方法，具体是计算每个卷积核的L1范数，即权重abs和，去除掉值最低的一部分卷积核，再用Retrain的方法训练回来，可以实现VGG-16 34%加速，ResNet-110 38%加速效果
2.主要内容：
对于上图解释，输入Xi尺寸为NiHiWi，Ni为通道数，输出Xi+1尺寸为Ni+1Hi+1Wi+1，卷积层尺寸Ni+1NiKK，Ni+1为卷积核个数，NiK*K为每个卷积核尺寸，卷积核剪枝方法如下：
（1）对于每一个kernel matrix按列绝对值求和
（2）对求和结果排序
（3）裁剪掉m个filters(对应内核矩阵的列)，以及对应的输出(Xi+1层中)，它又是下一层的输入，所以也得去掉对应的输入filters(对应内核矩阵的行)
（4）剩余的kernel weights保留
在跨越多层裁剪的过程中，可能出现kernel matrix裁剪交叉的情况，两种处理方法：
（1）Independent pruning 假设蓝色是确定要裁剪的，然后计算绿色的L1时，要考虑黄色的值，跟之前的裁剪无关。
（2）Greedy pruning 也就是计算绿色的L1时，不考虑已经被裁剪的黄色值
作者发现第二种的准确率辉更高。
上图解释了对残差网络的特殊处理方式：
（1）第一层随意裁剪(根据需求),因为它只会影响Xi+1的输入，但是不会影响最后的输出。
（2）残差块里面的裁剪需要注意，因为裁剪需要和shortcut layer保持一致，才能累加。
（3）因为identical feature maps比added residual maps更重要，所以后者的裁剪结果应该由前者决定。即由shortcut剪枝通道为主导
3.实验结果：
相关文章：