论文地址：Data-Driven Sparse Structure Selection for Deep Neural Networks
代码地址：Pytorch，MXNet，Tensorflow
论文总结
本文是结构化裁剪模型的一种方法。其引入额外的尺度因子 λ \lambda λ来对不同维度的输出进行自适应训练（即Data-Driven的意思），通过对尺度因子进行稀疏化约束，得到可以安全裁剪的对象。
作者把本文方法认为是一次到底的，即不需要再retrain的，只裁剪对应尺度因子为0的结构。
尺度因子对应的结构可以是block，也可以是一组卷积group，甚至单个神经元neuron。
从论文的实验结果来看，其裁剪相对于原网络是有损失的，且裁剪出来的压缩率不高。
论文介绍
有观点提出，ResNet是很多浅层网络的指数集合，移除（某些）单个residual block对性能影响很小。所以作者也将裁剪的对象放在了block层面上。
损失函数部分，除了正常的网络损失，还需要对尺度因子 λ \lambda λ进行稀疏化约束，常见的方法为添加 L 1 L_1 L1正则化约束。在训练的时候，作者对优化方法APG进行了改进，不咋能见到这东西，就不讲了。
作者认为，与Network Slimming的裁剪方法相比，本文的方法更有效与通用。原因为：（1）使用额外的尺度因子比复用BN层参数更加普遍；这是因为① 有一些网络没有BN层参数，比如VGGNet和AlexNet；② 在使用预训练模型微调适应目标检测/语义分割任务时，BN层参数因为较小的batch size通常是固定不变的。（2）Network Slimming的优化是启发性的，需要多次迭代和再训练。而本文的方法通过额外的尺度因子直接将输出置零了，是一次端到端的训练即可完成的。所以，作者认为Network Slimming是本文的特例。
如论文总结的图所示，使用 λ \lambda λ在不同的输出后面，即可对不同的对象进行裁剪的自适应训练，对象可以为block、group、neuron。
论文实验
CIFAR数据集
SSS为本文方法的简写，由下图在一些网络上的裁剪结果来说，其裁剪相对于原网络是有损失的，且裁剪出来的压缩率不高。
ImageNet
