最近提出的神经网络的规模不断增加，因此很难在嵌入式设备上实现它们，在嵌入式设备上，内存，电池和计算功率是一种非平凡的瓶颈。因此，在过去几年中，网络压缩文献一直在蓬勃发展，并且已经发布了大量解决方案，以减少模型的操作数量和参数。不幸的是，大多数这些还原技术实际上是启发式方法，通常需要至少一个重新训练的步骤才能恢复准确性。在验证和性能评估领域中，对模型降低的程序的需求也众所周知，在这些领域中，大量努力致力于保留可观察到的潜在行为的商的定义。在本文中，我们试图弥合最流行和非常有效的网络减少策略与正式概念（例如块状性）之间的差距，以验证和评估马尔可夫链。详细阐述肿块，我们提出了一种修剪方法，该方法可以减少网络中的神经元数，而无需使用任何数据或微调，同时完全保留了确切的行为。放松对商方法的确切定义的限制，我们可以对一些最常见的还原技术进行形式解释。
translated by 谷歌翻译