Neural Network Structural Pruning and Acceleration in Frequency Domain
Notice bibliographique
Résumé
In computer vision, the expanding size of neural networks raises concerns about the potential information overload caused by the vast number of network parameters. Leveraging the fact that high-frequency image components are less critical, many parameters can be set to zero through frequency-domain unstructured pruning, which has proven effective in this context. While models with numerous zero parameters can be significantly compressed, reducing storage and transportation costs, the necessity of transforming inputs between frequency and spatial domain via discrete cosine transform (DCT) between layers imposes an additional computation. Despite the abundance of zero parameters, the total parameter count remains unchanged, and computational demands may even increase. To address this, we propose a novel method to dynamically prune the structure of frequency-domain models, achieving further compression and acceleration. Specifically, we exploit the linearity of the Fourier transform during conversion from the frequency domain to the spatial domain. By retaining only the low-frequency components of the model's parameters, we structurally prune channels corresponding to zeroed-out parameters. Evaluations on various network architectures, such as LeNet, AlexNet, VGG, ResNet, ViT, and UNet, confirm the efficacy of our structural pruning method. For instance, a ViT model with 47.86ms inference time has been accelerated to just 3.44ms, reducing theoretical computation by 85.70% and inference time by 92.82%, with an accuracy drop of only 0.78%.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».