模型压缩-L1-norm based channel pruning（Pruning Filters for Efficient ConvNets）

论文笔记——PRUNING FILTERS FOR EFFICIENT CONVNETS

 转载：https://www.cnblogs.com/zhonghuasong/p/7642000.html

论文地址：https://arxiv.org/abs/1608.08710

路人实现代码：https://github.com/tyui592/Pruning_filters_for_efficient_convnets

https://github.com/slothkong/DNN-Pruning

主要思想

这篇文章主要讲了对filters的裁剪，裁剪方法是计算L1范数，然后裁剪掉较少的，多少取决于加速比。

实现效果

1. VGG-16 34%加速
2. ResNet-101 38%加速

具体实现

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

实现细节

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
   结果：
   第二种的准确率辉更高。

残差网络的处理：

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. residual block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。

Prune and Retrain 方法

1. 裁剪所有层后再继续训练网络
2. 裁剪一层，重新训练一下
   结果：
   显然第二种好啊，第一种太暴力了，可能造成无法修复的裁剪