摘要
卷积神经网络（CNN）越来越多地用于计算机视觉的许多领域。它们特别有吸引力，因为它们能够通过数百万个参数“吸收”大量标记数据。然而，随着模型尺寸的增加，分类器的存储和存储器需求也在增加，这阻碍了许多应用，例如移动电话和其他设备上的图像和语音识别。在本文中，我们提出了一种新颖的网络架构，频率敏感散列网（FreshNets），它利用了卷积层和深度学习模型的完全连接层的固有冗余，从而大大节省了内存和存储消耗。基于关键观察，学习的卷积滤波器的权重通常是平滑和低频的，我们首先使用离散余弦变换（DCT）将滤波器权重转换到频域，并使用低成本散列函数随机分组频率参数进入哈希桶。分配给相同散列桶的所有参数共享使用标准反向传播学习的单个值。为了进一步减小模型大小，我们将更少的散列桶分配给高频组件，这些组件通常不太重要。我们对八个数据集评估FreshNets，并表明它比几个相关基线带来更好的压缩性能。卷积神经网络（CNN）越来越多地用于计算机视觉的许多领域。它们特别有吸引力，因为它们
