基于稀疏训练与量化的人员入侵检测算法优化

摘要

近年来,随着深度学习的不断发展,各类神经网络逐渐成为了图像识别、语音识别和自然语言处理等领域的最佳解决方案.模型在不断逼近更高精度的同时,其模型大小和参数数量也在成倍增长.这使得模型仅能在计算资源密集的集中式数据中心内运算,难以移植到移动端、嵌入式芯片或板卡中.考虑到许多智能识别算法的应用场景是在山区、荒郊等地,这些地区难以部署机房等基础服务设施,需要利用资源受限的设备执行运算.因此,优化网络模型,减小模型大小和参数数量,具有重要研究意义.本文针对边界未授权人员入侵检测场景,提出联合剪枝量化优化算法,首先通过将通道稀疏性作为模型训练目标的正则化项,对模型进行稀疏训练,在训练过程中自动完成通道剪枝.剪枝完成后,在保存模型的基础上进行比特量化.在模型大小减小72.5％的同时,优化后的模型分类准确率仅下降1.2％.