模型压缩是在计算资源有限且能耗紧张的移动设备上，有效部署神经网络模型的关键技术。 传统的模型压缩技术依赖于手工制作的启发式和基于规则的策略，这需要领域专家探索在模型大小、速度和准确性之间进行权衡的大型设计空间，这通常是次优且耗时的。 在本文中，我们利用强化学习来提供模型压缩策略。
这种基于学习的压缩策略优于传统的基于规则的压缩策略，具有更高的压缩比、更好地保持准确性和解放人力。 在 4 倍 FLOPs 减少的情况下，我们在 ImageNet 上实现了比 VGG-16 的手工模型压缩策略高 2.7% 的准确度。 我们将这种自动化的一键式压缩管道应用于 MobileNet，在 Android 手机上实现了 1.81 倍的测量推理延迟加速，在 Titan XP GPU 上实现了 1.43 倍的加速，ImageNet Top-1 精度仅损失 0.1%。
模型压缩介绍简述：对比传统模型压缩，针对不同的场景提出了两种压缩策略搜索协议。
卷积神经网络压缩和加速简述：神经网络压缩对象和效率。实现模型压缩引擎。使用强化学习进行自动压缩。搜索协议：资源约束压缩；精度保证压缩。
测试简述：CIFAR-10 和分析：FLOPs-约束压缩；精度保证压缩。加速策略探索。ImageNet：突破细粒度修剪的极限；与启发式通道缩减的比较；加速移动端推理；泛化能力。
源代码详情参阅http://viadean.com/py_cnn_compress.html
