Deep Compression [23] describes a m

Deep Compression [23] describes a method to compress DNNs without loss of accuracy through a combination of pruning and weight sharing. Pruning makes matrix W sparse with density D ranging from 4% to 25% for our benchmark layers. Weight sharing replaces each weight Wij with a fourbit index Iij into a shared table S of 16 possible weight values.With deep compression, the per-activation computation of Equation (2) becomes

結果 (繁體中文) 1:

深度壓縮[23]通過修剪和重量共享的組合說明了在不損失精度來壓縮DNNs的方法。修剪品牌矩陣W稀疏與密度d範圍從4％到我們的基準層25％。重量共享替換每個權重W ij與fourbit索引IIJ到16個可能的權重值的共享表S上。
隨著深度壓縮，方程的每個激活的計算（2）變為

結果 (繁體中文) 2:

深度壓縮 [23] 描述了一種通過修剪和重量分擔的組合來壓縮 DNN 而不損失準確性的方法。修剪使矩陣 W 稀疏，我們的基準層的密度 D 範圍為 4% 到 25%。權重共用將每個權重 Wij 替換為四位索引 Iij，將其替換為包含 16 個可能權重值的共用表 S。
通過深度壓縮，公式 （2） 的每次啟動計算變為

結果 (繁體中文) 3:

Deep Compression[23]描述了一種通過剪枝和重量分擔相結合的方法來壓縮DNNs而不損失準確性的方法。修剪使矩陣W稀疏，我們的基準層的密度D在4%到25%之間。權重共亯將每個權重Wij替換為一個四比特索引Iij，放入一個包含16個可能權重值的共亯錶S中。
隨著深度壓縮，方程（2）的每次啟動計算變成