研究表明,在图像识别领域中,深度神经网络因网络运算参数量大、硬件配置以及实际应用部署的种种难题。因此找到一种有效的网络模型压缩方法,使复杂的神经网络经过压缩方法后,使其能够得到一种轻量化的神经网络显得尤为重要。主要的研究工作及成果如下:(1)研究一种基于深度可分离卷积方式模型压缩算法。对比分析了标准卷积方式的VGG-16网络和一种基于深度可分离卷积方式的VGG-16网络各自在CIFIA-10图像数据集上的分类效果和网络卷积参数量,实验表明运用一种基于深度可分离卷积方式模型压缩算法可以有效地将VGG-16的网络卷积参数量由90M降至12M,网络模型大小由552M降至240M。(2)研究一种基于通道剪枝的网络模型压缩算法。对卷积神经网络的卷积层和卷积核的重要程度进行评估,设置卷积层和卷积核裁剪因子。根据裁剪因子,对网络模型的卷积层和卷积核进行裁剪,可以将VGG-16的网络模型大小由552M降至260M。(3)研究一种基于网络结构的权重共享量化模型压缩算法。对卷积核的权重参数进行建模分析,根据权重参数的分布情况,运用聚类算法对参数进行分类。依据分类情况,创建类别索引号,每个权值参数值共享所属类别的权重均值,在一定程度上减少了网络繁琐的运算,有效地减少保存网络卷积核浮点参数的所需的内存。可以将原先VGG-16约90M的卷积参数量减至约为75M。(4)深度神经网络模型压缩算法的应用研究。在整合(1)、(2)和(3)三点的研究成果基础上,将三种网络模型压缩算法进行组合,对比分析了每种组合基于VGG-16网络各自在CIFIA-10图像数据集上的分类效果和网络卷积参数量。通过实验表明,在尽量保证图像分类效果的基础上,将上述三种压缩算法结合在一起可以最大限度上压缩网络模型,图像分类识别率由92.3%降至91.9%,网络卷积参数量由90M减至约8M。将三种网络模型压缩算法结合在一起应用到基于YOLO-V3新生儿面部检测和基于Res Net-34新生儿面部表情分类中,实验表明,可以将原先YOLO-V3网络模型大小约249M压缩至45M,约274M的Res Net-34网络模型压缩至50M;压缩后的YOLO-V3检测率由93.9%减至93.3%,压缩后的Res Net-34表情分类平均识别率由86.2%降至为85.7%。在面部检测率、表情分类识别率、网络模型大小之间取得了较好的折中。