论文标题：AACP: Model Compression by Accurate and Automatic Channel Pruning 论文链接：AACP: Model Compression by Accurate and Automatic Channel Pruning 作者单位：清华大学 表现SOTA！性能优于ABCPruner、PFS和MetaPruning等方法，代码即将开源！

通道剪枝最近被表述为神经体系结构搜索（NAS）问题。但是，现有的基于NAS的方法面临巨大的计算成本和应用程序灵活性的挑战。如何同时处理多个稀疏性约束并加快基于NAS的通道剪枝仍然是未解决的挑战。在本文中，我们提出了一种新颖的精确自动通道剪枝（AACP）方法来解决这些问题。首先，AACP将模型的结构表示为结构向量，并引入修剪步骤向量以控制每一层的压缩粒度。其次，AACP利用剪枝的结构精度估计器（PSAE）来加快性能估计过程。第三，AACP提出了一种改进的差分进化算法（IDE）来有效地搜索最优结构矢量。由于使用IDE，AACP可以同时高效地处理FLOP约束和模型大小约束。我们的方法可以轻松地应用于各种任务，并达到最先进的性能。在CIFAR10上，我们的方法减少了ResNet110的65％的FLOPs，提高了0.26％的top-1精度。在ImageNet上，我们减少了ResNet50的42％FLOP，而损失的精度为0.18％top-1，而降低了30％的MobileNetV2的FLOP，而损失值为0.7％的top-1精度。

内容中包含的图片若涉及版权问题，请及时与我们联系删除