隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)作為其重要算法被廣泛應(yīng)用到計(jì)算機(jī)視覺、自然語言處理及語音處理等各個(gè)領(lǐng)域，并取得了比傳統(tǒng)算法更為優(yōu)秀的成績。但是，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，參數(shù)量和計(jì)算量巨大，使得很多算法必須在GPU上實(shí)現(xiàn)，導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)難以應(yīng)用在資源不足且實(shí)時(shí)性要求很高的移動(dòng)端。為了解決上述問題，文中提出通過同時(shí)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)來對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行壓縮，以使網(wǎng)絡(luò)模型尺寸變小。首先，根據(jù)權(quán)重對(duì)網(wǎng)絡(luò)模型結(jié)果的影響程度來對(duì)權(quán)重進(jìn)行剪枝，保證在去除網(wǎng)絡(luò)結(jié)構(gòu)冗余信息的冋時(shí)保留模型的重要連接;然后通過量化感知（ quantiκaτion- awareτraining）對(duì)卷積神經(jīng)網(wǎng)絡(luò)的浮點(diǎn)型權(quán)重和激活值進(jìn)行完全量化，將浮點(diǎn)運(yùn)算轉(zhuǎn)換成定點(diǎn)運(yùn)算，在降低網(wǎng)絡(luò)模型計(jì)算量的冋時(shí)減少網(wǎng)絡(luò)模型的尺寸。文中選用 tensorflow深度學(xué)習(xí)框架，在 Ubuntu16.04操作系統(tǒng)中使用 Spyder編譯器對(duì)所提算法進(jìn)行驗(yàn)證實(shí)驗(yàn)結(jié)果表眀，該算法使結(jié)枃簡(jiǎn)單的 Lenet模型從l.64M壓縮至θ.36M，壓縮比達(dá)到η8%，準(zhǔn)確率只下降了了0.016;使輕量級(jí)網(wǎng)絡(luò) Mobilenet模型從16.9M壓縮至3.1M，壓縮比達(dá)到81%，準(zhǔn)確率下降0.03。實(shí)驗(yàn)數(shù)據(jù)說明，在對(duì)卷積神經(jīng)網(wǎng)絡(luò)權(quán)重剪枝與參數(shù)量化辶后，該算法可以做到在準(zhǔn)確率損失較小的情況下，對(duì)模型進(jìn)行冇α壓縮，解決了卷積神經(jīng)網(wǎng)絡(luò)模型難以部署到移動(dòng)端的問題。