Lingyun

在进行CNN的设计中，我们不仅要考虑模型的准确率，还需要考虑模型的实用性。现阶段大量的paper纯堆精度，缺没有深入思考模型以及算法的实用性。 最近有一点感触很深：很多我们在做研究时认为默认的东西，在进行实际应用项目中，才发现这些先验数据是无法获得的，这和学术探索是很不同的。可能需要问自己，我们应该做怎样的研究者？ 对于CNN，网络的复杂度分析也是非常非常重要的。 1、时间复杂度——计...

Paper：Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding 论文链接：https://arxiv.org/abs/1510.00149 ICLR 2016的best paper，通过剪枝、量化、哈夫曼编码三步混合来做模型压缩。 In...

paper：Learning Efficient Convolutional Networks through Network Slimming 这是一篇做剪枝的paper，2017的ICCV文章。 主要亮点在于直接使用BN层的gamma参数进行剪枝评估。在卷积核的级别做剪枝，非常方便好用。 问题： 这篇paper中，Lamda的选择标准和阈值标准没有给出，应该就是作者实验试出来的。 因...