Novel Post-Training Structure-Agnostic Weight Pruning Technique for Deep Neural Networks
Notice bibliographique
Résumé
Deep neural networks (DNNs) have shown ex-ceptional performance in various domains, leading to their widespread adoption. However, the necessity to deploy DNNs on resource-constrained devices calls for improved model efficiency. Accordingly, DNN pruning has emerged as a critical technique in the field of machine learning, offering significant improve-ments in computational efficiency and model simplicity. This paper introduces an innovative post-training pruning approach for DNNs without any retraining, that utilizes multi-objective optimization to achieve substantial sparsity rates while preserving significant accuracy levels. The proposed method transforms the post-training weight pruning challenge into a two-variable, bi-objective optimization problem. The optimizer finds the optimal minimum and maximum threshold values through optimization, effectively converting the real-valued weights between these two thresholds to zero. The task and model-independency of the proposed framework make it applicable across various models, tasks, and datasets without constraints on the number of weights. The approach provides a decision-maker, where users can select the best strategy within resource constraints to achieve their desired accuracy. In order to assess our method, we evaluated the pruning of RESNET50 model on CIFAR10 and CIFAR100 benchmark datasets. In CIFAR10, by reducing 70% of the weights within the optimal threshold values, the network's accuracy only decreases by 0.1. Similarly, in CIFAR100, an appropriate weight range was selected, resulting in a 65 % reduction in weights while maintaining a negligible 0.1 decrease in network accuracy. This demonstrates the effectiveness of the optimization in achieving significant model size reduction without compromising performance on large DNNs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».