年龄作为人脸的属性之一,有着非常广泛的应用,尤其是对社交网络中的人脸进行年龄估计,有着潜在的巨大商业价值。社交网络中的人脸图片相较于实验室环境下的人脸图片,往往具有个体姿态多变、遮挡严重、光照变化大、图像质量参差不齐等特点。传统的特征描述对这种非受限环境下的图片很难具有良好的表达,而深度学习方法却又需要大量的存储和计算资源,不容易落地。在论文中,将会围绕着如何高效地利用深度学习对社交网络中的人脸年龄进行估计进行探索。论文从两个方面探索了深度学习模型的高效实现。首先,针对目前轻量级网络的缺点,做了三个方面的改进,包括了激活函数的变更,网络层数的加深以及短路路径的引入;对比之前所使用的网络结构,改进之后的网络结构在模型大小和计算量上都有明显改进,并在公开年龄评测集上取得较好的效果;其次,为了更加灵活地在模型效率和模型准确率上取平衡,论文中引入了量化的方法对已经训练好的模型进行进一步的压缩。量化方法充分利用了通用浮点数的表达冗余性和模型参数范围的有限性,对训练好的模型参数用更少的比特数表示,在尽可能小地牺牲准确率的前提下,获得更高效的模型存储方式。论文对比了不同量化比特下的实验结果,在模型准确率几乎没有损失的前提下,模型的大小得到了有效的压缩,模型证明了量化方法的有效性。