隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)作為其重要算法被廣泛應(yīng)用到計算機視覺、自然語言處理及語音處理等各個領(lǐng)域，并取得了比傳統(tǒng)算法更為優(yōu)秀的成績。但是，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，參數(shù)量和計算量巨大，使得很多算法必須在GPU上實現(xiàn)，導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)難以應(yīng)用在資源不足且實時性要求很高的移動端。為了解決上述問題，文中提出通過同時優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)來對卷積神經(jīng)網(wǎng)絡(luò)進行壓縮，以使網(wǎng)絡(luò)模型尺寸變小。首先，根據(jù)權(quán)重對網(wǎng)絡(luò)模型結(jié)果的影響程度來對權(quán)重進行剪枝，保證在去除網(wǎng)絡(luò)結(jié)構(gòu)冗余信息的冋時保留模型的重要連接;然后通過量化感知（ quantiκaτion- awareτraining）對卷積神經(jīng)網(wǎng)絡(luò)的浮點型權(quán)重和激活值進行完全量化，將浮點運算轉(zhuǎn)換成定點運算，在降低網(wǎng)絡(luò)模型計算量的冋時減少網(wǎng)絡(luò)模型的尺寸。文中選用 tensorflow深度學(xué)習(xí)框架，在 Ubuntu16.04操作系統(tǒng)中使用 Spyder編譯器對所提算法進行驗證實驗結(jié)果表眀，該算法使結(jié)枃簡單的 Lenet模型從l.64M壓縮至θ.36M，壓縮比達到η8%，準(zhǔn)確率只下降了了0.016;使輕量級網(wǎng)絡(luò) Mobilenet模型從16.9M壓縮至3.1M，壓縮比達到81%，準(zhǔn)確率下降0.03。實驗數(shù)據(jù)說明，在對卷積神經(jīng)網(wǎng)絡(luò)權(quán)重剪枝與參數(shù)量化辶后，該算法可以做到在準(zhǔn)確率損失較小的情況下，對模型進行冇α壓縮，解決了卷積神經(jīng)網(wǎng)絡(luò)模型難以部署到移動端的問題。