Flyingpige

> @VainF 我现在还是想尝试手动剪枝一下ShuffleNet，想请教一下如果是通过监督bn的y来实现稀疏化训练的话，对于ShuffleNet中的pw和dw卷积怎么样才是最有效的剪枝方式呢？亦或者是有残差的部分完全不进行剪枝操作？ 请问您针对shufflenetv2剪枝成功了吗？我也想对shufflenetv2进行剪枝，目前也是无从下手o(╥﹏╥)o

@leeyunj 我也遇到了和你一样的问题，请问你是怎么解决的？

> 在benchmark的main.py里面，不知道为什么，我写的卷积模型剪枝之后FLOPs几乎不变，而且明明参数只有150W，但纸面的FLOPs大小却比VGG还大 请问您对自定义模型进行剪枝吗？我对自己改进后的ShuffleNet进行剪枝时，会直接卡住。请问你遇到过这方面的问题吗？

> https://github.com/deepinsight/insightface/blob/master/recognition/arcface_torch/backbones/mobilefacenet.py > > 模型定义 https://github.com/deepinsight/insightface/blob/master/recognition/arcface_torch/backbones/mobilefacenet.py > > 使用group_norm剪枝方式，参数如下： model_name = 'mobilefacev2' global_pruning = 'True' reg = 1e-4 max_ch_sparsity = 1.0 target_flops = 1.0 prune_pm = 'True' method = "group_norm"...

> 我想知道这种方法可以对SKnet50这样含有分组卷积和Concat的网络进行剪枝嘛 我也想知道，我剪我自己改进过的ShuffleNet时也是卡住不出结果，而且CPU直接跑满