API_prune.md

1. 通道剪枝算子 =========

1.1 "bn"剪枝算子

• get_pruneThre_bn():卷积层对应的BN层的gamma参数作为缩放因子，获得剪枝对应阈值

  • 源代码
  • 返回：剪枝对应的阈值

• get_removeIndex_bn(a, thre):根据阈值获得当前卷积层需要剪枝的通道index

  • 源代码
  • 参数：
    • a：当前卷积层的参数
    • thre：get_pruneThre_bn()返回的阈值

1.2 "conv_avg"剪枝算子

• get_pruneThre_conv_avg():卷积层参数的平均值作为缩放因子，获得剪枝对应阈值

  • 源代码
  • 返回：剪枝对应的阈值

• get_removeIndex_conv_avg(a, shape, thre):根据阈值获得当前卷积层需要剪枝的通道index

  • 源代码
  • 参数：
    • a：当前卷积层的参数
    • shape：当前卷积层的shape信息
    • thre：get_pruneThre_conv_avg()返回的阈值

1.3 "conv_max"剪枝算子

• 同"conv_avg"剪枝算子

1.4 "conv_all"剪枝算子

• 同"conv_avg"剪枝算子

1.5 "random"剪枝算子

• get_removeIndex_conv_avg(shape):随机选择需要剪枝的通道index
  • 源代码
  • 参数：
    • shape：当前卷积层的shape信息

1.6 "dnn"剪枝算子

• get_pruneThre_fc():全连接层的神经元的参数的平均值作为缩放因子，获得剪枝对应阈值

  • 源代码
  • 返回：剪枝对应的阈值

• get_removeIndex_fc(a, shape, thre):根据阈值获得当前全连接层需要剪枝的神经元index

  • 源代码
  • 参数：
    • a：当前全连接层的参数
    • shape：当前全连接层的shape信息
    • thre：get_pruneThre_fc()返回的阈值

2. 模型调用算子 =========

2.1 pruneDnn.py

• DNN模型剪枝，可调用1.6剪枝算子
• 文件

2.2 pruneLenet.py

• CNN模型的lenet模型剪枝，可调用1.1-1.5剪枝算子
• 文件

2.3 pruneAlexnet.py

• CNN模型的lenet模型剪枝，可调用1.1-1.5剪枝算子
• 文件

2.4 pruneVggnet.py

• CNN模型的lenet模型剪枝，可调用1.1-1.5剪枝算子
• 文件

2.5 pruneResnet.py

• CNN模型的lenet模型剪枝，可调用1.1-1.5剪枝算子
• 文件