【技术实现步骤摘要】
针对资源受限设备视频处理的深度学习网络裁剪方法
本专利技术属于神经网络技术，具体为一种针对资源受限设备视频处理的深度学习网络裁剪方法。
技术介绍
传统深度学习在云端服务器进行处理，但面对海量数据的冲击，网络带宽和云服务器压力巨大，促使包括视频处理在内的智能计算从云端迈向端侧嵌入式设备。然而，嵌入式设备计算资源和存储资源有限，移动端难以承载较大规模的网络模型，较高的视频处理训练与推理时间，难以满足嵌入式平台的视频处理要求。深度强化学习(DeepReinforcementLearning)能够减少主存占用开销，但是其CPU计算开销仍然较大，难以广泛在计算能力有限的嵌入式设备中进行部署。对于移动设备，部署学习技术面临资源有限的挑战。由于现代的神经网络众所周知是计算/内存密集型的，因此在移动设备上训练常规大小的网络的成本非常高。先前的工作建议使神经网络更轻量级，同时保持接近的性能。深度强化学习是视频处理中常用的算法，基于表格的RL将表中的学习结果保持在表格中，在处理具有高维特征的数据时可能会导致显着的内存开销。为了克服这个限制，“V...
【技术保护点】
1.一种针对资源受限设备视频处理的深度学习网络裁剪方法，其特征在于，具体步骤为：/n步骤1：根据网络收敛精度，确定子网络个数；/n步骤2：根据确定的子网络个数将深度学习网络分成若干个独立子网络；/n步骤3：采用group LASSO算法对每个子网络进行稀疏化处理，使可裁剪的网络权重逼近0；/n步骤4：计算每一个子网络的所有权重和，将权重和小于设定阈值的子网络进行裁剪。/n
【技术特征摘要】
1.一种针对资源受限设备视频处理的深度学习网络裁剪方法，其特征在于，具体步骤为：
步骤1：根据网络收敛精度，确定子网络个数；
步骤2：根据确定的子网络个数将深度学习网络分成若干个独立子网络；
步骤3：采用groupLASSO算法对每个子网络进行稀疏化处理，使可裁剪的网络权重逼近0；
步骤4：计算每一个子网络的所有权重和，将权重和小于设定阈值的子网络进行裁剪。
2.根据权利要求1所述的针对资源受限设备视频处理的深度学习网络裁剪方法，其特征在于，根据网络收敛精度，确定子网络个数的具体方法为：<...
【专利技术属性】
技术研发人员：纪程，吴超，薛春，周明亮，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。