本文介绍了一种名为PuRL的神经网络剪枝算法，基于深度强化学习原理。该算法在短时间内能够达到与现有最先进方法相当的稀疏性和准确性。在ResNet-50模型上，PuRL实现了超过80%的稀疏性，并在ImageNet数据集上保持了75.37%的Top-1精度。该算法适应各种体系结构。

Dynamic Sparse Training是一种新的神经网络剪枝算法，通过可训练的剪枝门限实现优化神经网络参数和结构，并通过反向传播动态地进行精细化调整。与其他稀疏训练算法相比，Dynamic Sparse Training在多个网络架构上取得了业界领先水平。同时，还发现了传统三阶段剪枝算法的潜在问题，为更紧凑的神经网络架构设计提供了理论指导。