深度学习的神经网路的剪枝和压缩，大致的简述，
主要采用： network slimming，瘦身网络...
深度学习网络，压缩的主要方式：
1.剪枝，nerwork pruing，
2.稀疏表示，sparse representation， 本是正态分布的，存在稀疏参数0.001等等，将接近0的缩放因子，全部摘除，
3.量化，bit precision， 低精度表示，不用浮点数，用整数，如int8、更少的bit，甚至20毫，
4.知识蒸馏，knowledge distillation，
神经网络，往往过度参数化，会对结果造成干扰和负担，所以要将他减掉，
剪枝技术介绍：
1.权重pt剪枝： 摘掉几个中间的权重，非结构化，不利于部署， 实现困难，硬件gpu也不支持，
2.神经元剪枝： 摘掉几个中间的神经元，不重要的通道，影响较小，可有可无，
network sliming，瘦身网络... 比较经典的网络剪枝方法。
原理： 不同的卷积层 ---->>> 通道缩放因子---->>> 新的卷积层。
网络初始化层中：（结构化的剪枝方法） （流程简述）
缩放因子，稀疏正则化，剪枝，微调
1.缩放因子： 参数比例，存在极小比例的缩放因子，如0.001等等，
2.稀疏正则化： 对缩放因子，进行稀疏正则化，可以自动识别不重要的通道，
3.剪枝： 具有较小缩放因子的通道将被剪枝，
4.微调： 剪枝后的紧凑模型(compact network)，会精度下降，
需要微调达到正常训练网络的恢复，甚至超越！！！
网络瘦身-流程图：
初始化网络-> 通道：稀疏正则化训练 -> 剪除：小缩放因子通道 -> 微调： 剪枝后网络 -> 紧凑模型（compact network）
在, 初始化网络->紧凑模型（compact network） 之间多次，不断重复流程，迭代多次。
对于跨层链接：
正则化和预激活正则化来说，如resnet等架构，他们存在跳过的支路，BN在剪枝之前
剪完后，容易出现通道不匹配现象，不能直接相加，
必须采用： channel selection，与未被剪枝的后续通道相加，相当于多了一条连接线，
windows输入特殊符号： win+r，召唤出cmd命令行， 按下charmap，跳出特殊字符表。。。
不同的稀疏正则化，随着缩放因子λ的增大，而越来越稀疏。
但是，缩放因子λ太大会导致精度变差，后续的微调fine-tuning变难。