深度神经网络近几年来飞速发展,在许多领域都取得了最优的成绩。网络性能的增强依赖于神经网络参数的增加,为了让神经网络能够部署在移动端,应压缩其大小（降低参数量）,主要方法包括量化、编码、剪枝、低秩近似、知识蒸馏和轻量化网络设计。低秩近似用几个低维矩阵或低阶张量来表达神经网络中复杂的矩阵或张量权重。该方法易于实施,支持从零训练和预训练。因此,本文采用低秩张量分解压缩深度神经网络。现有的张量分解都已经通过实验验证了其效果,包括CANDECAMP/PARAFAC分解,Tucker分解,Block-Term分解和Hierarchical Tucker分解。张量网络（例如Tensor Train和Tensor Ring）是张量分解的衍生并且存在各种不同的结构,这些结构还具更多的可能性和可压缩性。张量网络中的缩并通常使用的是模-d积,这是一种类似于矩阵乘积的运算,但是矩阵乘积有维度一致性的要求。本文使用半张量积代替常规的矩阵乘积,将模-d积推广为半张量模-d积。半张量积是一般化的矩阵乘积,打破了维度一致性的限制,因此能构建更紧凑的张量网络,从而用更少的参数量来表达神经网络。本文将Tucker分解和张量网络（Tensor Train和Tensor Ring）分别推广到半张量Tucker分解和半张量网络（semi-Tensor Train和semi-Tensor Ring）。本文将这种更加一般化的张量分解形式应用于神经网络压缩中并取得了相较于其他常规张量分解更优越的表现,即用更少的参数量取得了更优的结果。在所有的网络压缩方法中,量化和编码技术是与其他技术正交且兼容的。低秩近似的目的是降低神经网络中参数数量,量化是降低参数的精度,量化后的特征值还可以进行熵编码来进一步压缩。因此本研究将张量分解与量化和熵编码技术进行集成,让深度神经网络占用更少的存储空间。最后神经网络参数以比特流的形式保存下来,进行解码后可以直接在支持定点计算的深度学习框架使用,或者反量化后在普通的深度学习框架下使用。熵编码技术采用上下文自适应二进制算术编码,是一种无损编码方法,在视频编码中已取得优异的结果。最终通过实验表明,降低已压缩参数的精度,不会影响网络性能。