[发明专利]基于核相似度和非极大抑制算法的卷积神经网络剪枝方法

权利要求书

1.一种基于核相似度和非极大抑制算法的卷积神经网络剪枝方法，其特征在于，包括以下步骤：

S1、确定重要性指标和相似度指标；在通过数据集训练所得到的收敛卷积神经网络中确定待剪枝卷积层；

S2、根据重要性指标计算每个卷积核的重要性，按照每个卷积核的重要性指标大小降序排列，得到卷积核索引，根据剪枝比例p％或重要性阈值s将卷积核归零，移除归零后的卷积核对应的卷积核索引；

S3、以待剪枝卷积层为单位，计算每个待剪枝卷积层的不同卷积核之间的相似度，使用非极大抑制算法将冗余度高于相似度阈值t的卷积核归零，并移除归零后的卷积核对应的卷积核索引；

S4、将所有待剪枝卷积层经过步骤S3处理完毕后，得到预剪枝模型；

S5、对预剪枝模型进行二次训练，得到剪枝后的轻量级模型。

2.根据权利要求1所述基于核相似度和非极大抑制算法的卷积神经网络剪枝方法，其特征在于：步骤S1中重要性指标为范数或缩放系数；相似度指标为余弦相似度、修正余弦相似度或皮尔逊相关系数。

3.根据权利要求1所述基于核相似度和非极大抑制算法的卷积神经网络剪枝方法，其特征在于，步骤S2中根据剪枝比例p％或重要性阈值s将卷积核归零时：将重要性指标最小且剪枝比例为p％的卷积核归零；或者将重要性指标低于重要性阈值s的卷积核归零。

4.根据权利要求3所述基于核相似度和非极大抑制算法的卷积神经网络剪枝方法，其特征在于：剪枝比例p％的范围为0％到100％。

5.根据权利要求1所述基于核相似度和非极大抑制算法的卷积神经网络剪枝方法，其特征在于，步骤S3具体包括如下步骤：

S31、新建空集合A和空集合B，将步骤S2所得卷积核索引对应的卷积核放入集合A；

S32、取出集合A中重要性指标最高的卷积核，记为M，并放入集合B；

S33、将集合A中的卷积核逐个与M进行相似度计算，并移除集合A中的卷积核与卷积核M之间的相似度高于相似度阈值t的卷积核；

S34、重复步骤S32和步骤S33直到集合A为空集；最终所得的集合B包含待保留的卷积核。