一种通用的信号调制识别深度学习模型的层剪枝方法
原文中文，约300字，阅读约需1分钟。发表于：。深度学习在通信系统中的成功应用使得深度神经网络成为信号分类的首选方法。然而，这些模型通常具有高计算复杂度和大的模型尺寸，这阻碍了它们在通信系统中的实际部署。为解决这个挑战，我们提出了一种新型的层剪枝方法，通过将模型分解成几个连续的块，每个块包含具有相似语义的连续层，然后根据层的贡献确定每个块内需要保留的层，最后重新组装剪枝后的块并对紧凑模型进行微调。对五个数据集进行的广泛实验证明了我们的方法...
深度学习在通信系统中的应用受限于计算复杂性和模型尺寸。研究者提出了一种新的层剪枝方法，通过分解模型为连续的块，确定每个块内需要保留的层，最后重新组装剪枝后的块并微调模型。实验证明该方法在各种基准方法上有效。
