文件名称：Pruning-Filter-in-Filter:筛选器中的修剪筛选器（NeurIPS2020）
文件大小：3.68MB
文件格式：ZIP
更新时间：2024-04-01 10:59:07
skeleton stripe cuda pytorch filters
过滤器中的修剪过滤器 介绍 这是NeurIPS 2020论文“”的PyTorch实施。 在本文中： 我们提出了一种新的修剪模式，称为条带化修剪（SP），可以将其视为过滤修剪（FP）的一般情况。 SP将过滤器$ F \ in \ mathbb {R} ^ {C \ timesK \ times}}视为$ K \ timesK $条带（即，$ 1 \ times $$过滤器$ \ in \ mathbb {R} ^ c $），并以条带为单位而不是整个过滤器执行修剪。 与现有方法相比，SP具有比传统FP更好的粒度，同时比Weight-Pruning更加硬件友好，并且与Group-wise Pruning相比保持了过滤器之间的独立性，从而在CIFAR-10和ImageNet上实现了最先进的修剪率。 更令人振奋的是，通过应用SP，我们发现过滤器的另一个重要特性与重量无关：形状。 从随机初始化的R
【文件预览】：
Pruning-Filter-in-Filter-master
----models()
--------resnet56.py(3KB)
--------__init__.py(65B)
--------stripe.py(5KB)
--------vgg.py(2KB)
----main.py(6KB)
----BrokenNet_filter.png(154KB)
----xxx-wise.pptx(121KB)
----filter skeleton.pptx(62KB)
----flops.py(3KB)
----README.md(6KB)
----fig()
--------BrokenNet_filter.png(154KB)
--------prune_every_layer_by_l1_norm.png(565KB)
--------quantization_hori.png(135KB)
--------im2row-crop.png(1.44MB)
--------groupSparse.png(224KB)
--------network_simple.png(136KB)
--------demo3.png(219KB)
--------Unrolling the convolution.png(351KB)
--------shortcut.png(139KB)
--------greedy.png(34KB)
--------ill.png(99KB)
--------theory.png(129KB)
--------figure_pipeline.png(125KB)
--------jump.png(77KB)
--------group_gbn.png(111KB)
--------Runtime Neural Pruning.png(204KB)
--------pruning1.png(66KB)
--------1a2.png(99KB)
--------Inbound.png(139KB)
----stripe-wise-pruning.pptx(84KB)