本文介绍了一种新的机器学习模型，通过重构计算为冗余多分支架构，训练小型卷积模型，并通过重新参数化转换为单分支形式，降低内存占用和计算成本。作者展示了唤醒词检测模型RepCNN在推理过程中在延迟和准确性之间提供了良好的平衡。RepCNN重新参数化模型的准确性比单分支卷积模型高43%，同时运行时间相同。与复杂架构相比，RepCNN达到相同准确性，内存使用量低2倍，运行时间快10倍。