用于压缩深度学习模型的方法和装置与流程

相关申请的交叉引用

本申请要求申请日为2019年9月27日，申请号为16/585,772，发明名称为“methodandapparatusforcompressingdeeplearningmodel”的美国专利申请的优先权。

本申请实施例涉及计算机技术领域，具体涉及用于压缩深度学习模型的方法和装置。

背景技术：

随着人工智能的不断发展，深度学习模型的应用场景也越来越广泛。例如，在智慧零售场景或其他类似场景中，智能端上设备(终端设备)通过检测人的头肩，来统计指定区域内的人数。

目前，通常采用以下两种方法进行头肩检测：其一，在云端运行用于头肩检测的深度学习模型，然而，在云端运行模型，存在成本高，带宽压力大，隐私性差等问题；其二，在端上设备运行用于头肩检测的深度学习模型，然而，现有的用于头肩检测的深度学习模型太大，存在运算速度慢的问题。

技术实现要素：

本申请实施例提出了用于压缩深度学习模型的方法和装置。

第一方面，本申请实施例提供了一种用于压缩深度学习模型的方法，包括：获取待压缩的深度学习模型；以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。

在一些实施例中，以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，包括：对于待压缩的深度学习模型的每层，将该层权重作为第一预设数目个过滤器；从第一预设数目个过滤器中裁剪掉第二预设数目个过滤器，其中，第二预设数目小于第一预设数目。

在一些实施例中，从第一预设数目个过滤器中裁剪掉第二预设数目个过滤器，包括：对于待压缩深度学习模型的每层，计算该层的每个过滤器的l1范数；将l1范数小于预设阈值的过滤器从该层裁剪掉。

在一些实施例中，以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，包括：对待压缩的深度学习模型进行逐层剪枝，且每剪枝完一层，利用训练样本集合对待压缩的深度学习模型重新进行一次训练。

在一些实施例中，对待压缩的深度学习模型进行逐层剪枝，包括：对于待压缩的深度学习模型的每层，先对该层的批标准化之前的卷积权重进行剪枝，再对该层的批标准化参数进行剪枝。

在一些实施例中，深度学习模型包括以下至少一种：头肩检测模型、物体检测模型、人体检测模型和目标检测模型。

第二方面，本申请实施例提供了一种用于压缩深度学习模型的装置，包括：获取单元，被配置成获取待压缩的深度学习模型；剪枝单元，被配置成以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。

在一些实施例中，剪枝单元进一步被配置成：对于待压缩的深度学习模型的每层，将该层权重作为第一预设数目个过滤器；从第一预设数目个过滤器中裁剪掉第二预设数目个过滤器，其中，第二预设数目小于第一预设数目。

在一些实施例中，剪枝单元进一步被配置成：对于待压缩深度学习模型的每层，计算该层的每个过滤器的l1范数；将l1范数小于预设阈值的过滤器从该层裁剪掉。

在一些实施例中，剪枝单元进一步被配置成：对待压缩的深度学习模型进行逐层剪枝，且每剪枝完一层，利用训练样本集合对待压缩的深度学习模型重新进行一次训练。

在一些实施例中，剪枝单元进一步被配置成：对于待压缩的深度学习模型的每层，先对该层的批标准化之前的卷积权重进行剪枝，再对该层的批标准化参数进行剪枝。

在一些实施例中，深度学习模型包括以下至少一种：头肩检测模型、物体检测模型、人体检测模型和目标检测模型。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

第五方面，本申请实施例提供了另一种服务器，包括：接口；存储器，其上存储有一个或多个程序；以及一个或多个处理器，在操作上连接到上述接口和上述存储器，用于：获取待压缩的深度学习模型；以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。

第六方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，当上述计算机程序被一个或多个处理器执行时，使得上述一个或多个处理器：获取待压缩的深度学习模型；以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。

本申请实施例提供的用于压缩深度学习模型的方法和装置，首先获取待压缩的深度学习模型；然后以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。以通道数为单位对深度学习模型的每层权重进行剪枝，有效地降低了深度学习模型的参数冗余，从而提升了深度学习模型的运算速度。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构；

图2是根据本申请的用于压缩深度学习模型的方法的一个实施例的流程图；

图3是根据本申请的用于压缩深度学习模型的方法的又一个实施例的流程图；

图4是根据本申请的用于压缩深度学习模型的方法的另一个实施例的流程图；

图5是根据本申请的用于压缩深度学习模型的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于压缩深度学习模型的方法或用于压缩深度学习模型的装置的实施例的示例性系统架构100。

如图1所示，系统架构100中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用，例如人体检测类应用、人体跟踪类应用、人数统计类应用等。

终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是具有图像采集功能的各种电子设备。包括但不限于摄像头、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器103可以提供各种服务。例如服务器103可以对获取到的待压缩的深度学习模型等数据进行分析等处理，并将处理结果(例如压缩后的深度学习模型)发送给终端设备101。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的用于压缩深度学习模型的方法的一个实施例的流程200。该用于压缩深度学习模型的方法包括以下步骤：

步骤201，获取待压缩的深度学习模型。

在本实施例中，用于压缩深度学习模型的方法的执行主体(例如图1所示的服务器103)可以从与其通信连接的终端设备(例如图1所示的终端设备101)获取待压缩的深度学习模型。当然，若该待压缩的深度学习模型预先存储在上述执行主体本地，上述执行主体也可以本地获取待压缩的深度学习模型。

需要说明的是，待压缩的深度学习模型可以是预先利用训练样本集合训练完成的深度学习模型，其运算精度已经满足需求。通常，为了保证运算精度，待压缩的深度学习模型一般较大。若将待压缩的深度学习模型直接存储在终端设备上，其需要占用较大的存储空间。并且，若直接在终端设备上运行待压缩的深度学习模型，其运算速度较慢，无法满足实际应用场景中的运算需求。

另外，待压缩的深度学习模型包括多个卷积层，可以例如是卷积神经网络(convolutionalneuralnetwork，cnn)。其中，待压缩的深度学习模型的每个卷积层可以具有对应的层级数，因此卷积层的命名可以例如是conv0、conv1、conv14_1、conv14_2等。

步骤202，以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。

在本实施例中，上述执行主体可以以通道数为单元对待压缩深度学习模型的每层权重进行剪枝，以得到压缩后的深度学习模型。具体地，上述执行主体可以利用一种有效的评判手段，来判断每层权重中的参数的重要性，对不重要的参数进行裁剪来减少深度学习模型的参数冗余。

在本实施例的一些可选地实现方式中，对于待压缩的深度学习模型的每层，上述执行主体可以首先将该层权重作为第一预设数目个过滤器；然后从第一预设数目个过滤器中裁剪掉第二预设数目个过滤器。其中，第二预设数目小于第一预设数目。具体地，待压缩的深度学习模型的每层权重是四维的。四维的权重就是一系列的数值，可以看成n×c×h×w的四维数组。其中，n就是通道数目，也可以表示过滤器(filter)的数目，其值等于第一预设数目。每个过滤器可以由三维数组c×h×w组成，其中，c代表长度，h代表高度，w代表宽度。可见，每个过滤器又可以被看成一个三维立方体。每层权重由n个过滤器组成，这里需要从n个过滤器中裁剪掉m个过滤器。其中，m的值等于第二预设数目。裁剪掉的m个过滤器可以是该层权重中不重要的参数。

在本实施例的一些可选地实现方式中，上述执行主体还可以将压缩后的深度学习模型发送至终端设备。这样，终端设备可以对压缩后的深度学习模型进行存储。通过对深度学习模型进行压缩，有效地降低了深度学习模型的参数冗余。同时，将压缩后的深度学习模型发送至终端设备进行存储，减少了模型占用的存储空间。此外，在终端设备上运行压缩后的深度学习模型，减少了通信带宽，并降低了深度学习模型的计算量。

在本实施例的一些可选的实现方式中，深度学习模型可以包括但不限于以下至少一种：头肩检测模型、物体检测模型、人体检测模型和目标检测模型等等。这里，深度学习模型主要负责检测任务，后续还可以根据深度学习模型输出的检测框进行跟踪任务和计数任务。

在本实施例的一些可选的实现方式中，以深度学习模型是头肩检测模型为例，终端设备可以通过如下步骤进行头肩检测：

首先，采集预设区域的图像。

通常，若应用在智慧零售场景中，预设区域可以是无人超市中的某个指定区域。终端设备可以安装在该指定区域的附近，其摄像头正对该指定区域，用于采集该指定区域的图像。

然后，将图像输入至压缩后的深度学习模型，得到图像中的头肩检测框。

这里，上述执行主体可以运行压缩后的深度学习模型对图像进行头肩检测，输出图像中的头肩检测框。在终端设备上运行压缩后的深度学习模型，减少了通信带宽，并降低了深度学习模型的计算量，从而提升了深度学习模型的运算速度。

最后，基于图像中的头肩检测框，对预设区域的人体进行跟踪和计数。

实践中，由于深度学习模型较大，用于压缩深度学习模型的方法通常运用于例如云端或主机服务器等计算能力较强的设备。当然，在深度学习模型不是特别大或者终端设备计算能力足够强的情况下，用于压缩深度学习模型的方法也可以运用于例如路侧计算单元等设备。

本申请实施例提供的用于压缩深度学习模型的方法，首先获取待压缩的深度学习模型；然后以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。以通道数为单位对深度学习模型的每层权重进行剪枝，有效地降低了深度学习模型的参数冗余，从而提升了深度学习模型的运算速度。

进一步参考图3，其示出了根据本申请的用于压缩深度学习模型的方法的又一个实施例的流程300。该用于压缩深度学习模型的方法包括以下步骤：

步骤301，获取待压缩的深度学习模型。

在本实施例中，步骤301的具体操作已在图2所示的实施例中步骤201中进行了详细的介绍，在此不再赘述。

步骤302，对于待压缩的深度学习模型的每层，将该层权重作为第一预设数目个过滤器。

在本实施例中，对于待压缩的深度学习模型的每层，用于压缩深度学习模型的方法的执行主体(例如图1所示的服务器103)可以将该层权重作为第一预设数目个过滤器。

具体地，待压缩的深度学习模型的每层权重是四维的。四维的权重就是一系列的数值，可以看成n×c×h×w的四维数组。其中，n就是通道数目，也可以表示过滤器(filter)的数目，其值等于第一预设数目。每层权重由n个过滤器组成。每个过滤器可以由三维数组c×h×w组成，其中，c代表长度，h代表高度，w代表宽度。可见，每个过滤器又可以被看成一个三维立方体。

步骤303，对于待压缩深度学习模型的每层，计算该层的每个过滤器的l1范数。

在本实施例中，对于待压缩深度学习模型的每层，上述执行主体可以计算该层的每个过滤器的l1范数。其中，l1范数即l1-norm，是指向量中各个元素的绝对值之和，也叫“系数规则算子(lassoregularization)”。

步骤304，将l1范数小于预设阈值的过滤器从该层裁剪掉，得到压缩后的深度学习模型。

在本实施例中，上述执行主体可以将l1范数小于预设阈值的过滤器从该层裁剪掉，得到压缩后的深度学习模型。也就是说，上述执行主体以l1范数为剪枝标准对深度学习模型的每层权重进行剪枝。

实践中，我们对深度学习模型中的每个卷积层权重的分布情况进行统计分析，发现每个卷积层中大概有30％的过滤器的l1范数的值相对较小(在0.4以下)。因此，对于深度学习模型中的每个卷积层，我们可以裁剪30％左右的过滤器。

从图3中可以看出，与图2对应的实施例相比，本实施例中的用于压缩深度学习模型的方法的流程300突出了对深度学习模型的每层权重剪枝的步骤。由此，本实施例描述的方案以l1范数为剪枝标准对深度学习模型的每层权重进行剪枝，提高了剪枝准确度和剪枝效率。

进一步参考图4，其示出了根据本申请的用于压缩深度学习模型的方法的另一个实施例的流程400。该用于压缩深度学习模型的方法包括以下步骤：

步骤401，获取待压缩的深度学习模型。

在本实施例中，步骤401的具体操作已在图2所示的实施例中步骤201中进行了详细的介绍，在此不再赘述。

步骤402，对待压缩的深度学习模型进行逐层剪枝，且每剪枝完一层，利用训练样本集合对待压缩的深度学习模型重新进行一次训练，得到压缩后的深度学习模型。

在本实施例中，上述执行主体可以对待压缩的深度学习模型进行逐层剪枝，且每剪枝完一层，利用训练样本集合对待压缩的深度学习模型重新进行一次训练，以得到压缩后的深度学习模型。

通常，待压缩的深度学习模型可以是预先利用训练样本集合训练完成的深度学习模型，其运算精度已经满足需求。当剪枝完待压缩的深度学习模型的一层权重时，由于该层参数的减少，会导致剪枝完的深度学习模型的运算精度下降。这里，每剪枝完一层，利用训练样本集合对待压缩的深度学习模型重新进行一次训练。这样，可以将待压缩的深度学习模型的运算精度尽可能的恢复，从而做到在参数减少的情况下，运算精度基本无损失。

在本实施例的一些可选的实现方式中，对于待压缩的深度学习模型的每层，上述执行主体可以先对该层的批标准化之前的卷积权重进行剪枝，再对该层的批标准化参数进行剪枝。具体地，剪裁该层的过滤器就是剪裁该层的批标准化之前的卷积权重。由于每个过滤器都有对应的批标准化参数，在剪裁完过滤器之后，也需要把其对应的批标准化参数剪裁掉。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于压缩深度学习模型的方法的流程400增加了剪枝过程中对待压缩的深度学习模型重新训练的步骤。由此，本实施例描述的方案每剪枝完一层，利用训练样本集合对待压缩的深度学习模型重新进行一次训练。这样，可以将待压缩的深度学习模型的运算精度尽可能的恢复，从而做到在参数减少的情况下，运算精度基本无损失。

进一步参考图5，作为对上述各图所示的方法的实现，本申请提供了一种用于压缩深度学习模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于压缩深度学习模型的装置500可以包括：获取单元501和剪枝单元502。其中，获取单元501，被配置成获取待压缩的深度学习模型；剪枝单元502，被配置成以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。

在本实施例中，用于压缩深度学习模型的装置500中：获取单元501和剪枝单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-202的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，剪枝单元502进一步被配置成：对于待压缩的深度学习模型的每层，将该层权重作为第一预设数目个过滤器；从第一预设数目个过滤器中裁剪掉第二预设数目个过滤器，其中，第二预设数目小于第一预设数目。

在本实施例的一些可选的实现方式中，剪枝单元502进一步被配置成：对于待压缩深度学习模型的每层，计算该层的每个过滤器的l1范数；将l1范数小于预设阈值的过滤器从该层裁剪掉。

在本实施例的一些可选的实现方式中，剪枝单元502进一步被配置成：对待压缩的深度学习模型进行逐层剪枝，且每剪枝完一层，利用训练样本集合对待压缩的深度学习模型重新进行一次训练。

在本实施例的一些可选的实现方式中，剪枝单元502进一步被配置成：对于待压缩的深度学习模型的每层，先对该层的批标准化之前的卷积权重进行剪枝，再对该层的批标准化参数进行剪枝。

在本实施例的一些可选的实现方式中，深度学习模型包括以下至少一种：头肩检测模型、物体检测模型、人体检测模型和目标检测模型。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器103)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。

以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电子设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和剪枝单元。其中，这些单元的名称在种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取待压缩的深度学习模型的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待压缩的深度学习模型；以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。

作为又一方面，本申请实施例提供了另一种服务器，包括：接口；存储器，其上存储有一个或多个程序；以及一个或多个处理器，在操作上连接到上述接口和上述存储器，用于：获取待压缩的深度学习模型；以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。

作为又一方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，当上述计算机程序被一个或多个处理器执行时，使得上述一个或多个处理器：获取待压缩的深度学习模型；以通道数为单位对待压缩的深度学习模型的每层权重进行剪枝，得到压缩后的深度学习模型。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。