一.算法
1.剪枝
不是所有的神经网络连接都有用。
减少连接，但不降低准确性。
尝试性：剪枝，训练不断重复，找到对准确性影响最高的那一部分连接。
2.参数共享
1.98 2.09 1.92 1.87 都用2来表示，不是所有权重都需要用精确的数字来表示，这样反而可能会造成过拟合。
思路：所有权重聚类，如果相近，就用聚类质心来表示其他数。
霍夫曼编码：对经常出现使用的权重采用霍夫曼编码
3.量化
用标准浮点数训练一个网络，统计每一层的权重和激活值。最大值到最小值，多少位数字可以表示（如果可以用4位数表示，则不用32位，降低了冗余）。
4.低秩近似
可以将卷积层分解成两步卷积。
5.二元/三元权重
再极端一些，只用0 -1 1三个数表示网络中的权重。
6.Winograd卷积
二.硬件
TPU：针对深度学习设计的专用硬件
但是仅仅拥有好的硬件，而不能发挥硬件全部的性能也不可以。
计算量和存储带宽决定硬件整体性能的两大因素。
由于存储带宽限制，为了降低延迟，只能将数据分成很多小批次来处理。这没有发挥出硬件应有的性能。我们希望更少的内存读写来降低存储带宽的需求：压缩模型。
任何数乘以0都得0，这些数据不需要计算也不需要保留（稀疏权重：0*A=0，稀疏激活值：W*0=0）；近似表示；权值共享机制，可以用4位而不是32位来表示每一个权值。通过上述方法，降低存储带宽的需求，更好的发挥硬件性能。
三.训练
1.并行
数据并行：同时读取处理两张图片
模型并行：切分图片或卷积权重来切分模型
2.混合精度训练
16位和32位混合使用：16位进行乘法运算，32位进行加法运算，输出的权值转成32位存储。
3.模型Distillation（模型精简）
我们有了GoogleNet、VGG等训练好的高级的网络模型，使这些训练好的模型去训练一些简单的网络。就像几个老师教一个学生一样，使学生学到老师的本领。
这时我们不使用车、猫、狗等这些硬标签，而是使用几个模型一起给出的结果。例如GooglNet给出狗的概率是90%，猫的概率是10%。这里需要一个软标签，狗的概率是30%，猫的概率是20%。狗的概率依然高于猫所以预测仍然准确。此时使用了软标签来训练网络。
4.密-疏-密训练（更好的正则化）