Deep learning 转换为csr_矩阵后,将权重重新加载到fc层
我试图以压缩的稀疏行格式在fc层中存储权重。当我检索权重并将其转换为CSR矩阵格式时,它在内存中的大小急剧减小,但当我将其加载回caffe时,我的模型大小保持不变。基本上我就是这么做的:Deep learning 转换为csr_矩阵后,将权重重新加载到fc层,deep-learning,caffe,pycaffe,Deep Learning,Caffe,Pycaffe,我试图以压缩的稀疏行格式在fc层中存储权重。当我检索权重并将其转换为CSR矩阵格式时,它在内存中的大小急剧减小,但当我将其加载回caffe时,我的模型大小保持不变。基本上我就是这么做的: temp2=net.params['ip1'][0].data.shape 稀疏\u csr1=稀疏.scr\u矩阵(temp2,形状) net.params['ip1'][0]。数据[…]=sparse_csr1 net.save('compressed.caffemodel') 任何建议都将不胜感激。Ca
temp2=net.params['ip1'][0].data.shape
稀疏\u csr1=稀疏.scr\u矩阵(temp2,形状)
net.params['ip1'][0]。数据[…]=sparse_csr1
net.save('compressed.caffemodel')
任何建议都将不胜感激。Caffe不支持稀疏材质,因此您无法从权重的稀疏压缩中获益。看起来这些回购协议对内积层和conv层都能做到这一点: