本文回顾了深度神经网络模型压缩与加速技术，包括参数修剪、量化和知识蒸馏，分析了它们的优缺点及应用。研究评估了这些技术在视觉Transformer中的表现，并提出了在资源受限环境中优化模型的有效方法，为边缘计算提供支持。

深度学习的复杂模型需要高效的稀疏化技术。贝叶斯稀疏化方法能够提高计算效率和模型性能，研究表明其在参数修剪方面优于现有方案，适用于多种深度学习架构。通过结构化剪枝和动态修剪，研究实现了显著的加速和性能提升，同时降低了存储和计算成本。