ppppeanut

关于这个问题我明白了，谢谢您，看了您发表的论文中剪枝框图和实验部分后，我还有一个关于在YOLO模型剪枝训练的问题想请教您，整个剪枝流程是下面我所描述的哪种呢：一、训练一个基础模型，然后不断调整初始层损失等超参数对基础模型进行剪枝，直到达到满意的剪枝效果；二、训练一个基础模型，以固定的超参数对模型进行剪枝重训练后，再将剪枝后的模型作为新的基础模型进行剪枝重训练，直到达到满意的剪枝效果。抱歉频繁打扰您了，感谢您的解答。

> > 关于这个问题我明白了，谢谢您，看了您发表的论文中剪枝框图和实验部分后，我还有一个关于在YOLO模型剪枝训练的问题想请教您，整个剪枝流程是下面我所描述的哪种呢：一、训练一个基础模型，然后不断调整初始层损失等超参数对基础模型进行剪枝，直到达到满意的剪枝效果；二、训练一个基础模型，以固定的超参数对模型进行剪枝重训练后，再将剪枝后的模型作为新的基础模型进行剪枝重训练，直到达到满意的剪枝效果。抱歉频繁打扰您了，感谢您的解答。 > > 一般而言，本文所提的整个剪枝流程遵循的是迭代式剪枝，也就是您描述的第二种方式。这种迭代式剪枝流程适用于大比例压缩的目标，当压缩目标比例较小时，可以选择第一种，即只剪一次，其中通过调整超参实现相似压缩比例下性能最大程度保留。 感谢您的回答，祝您未来不断有更好的成果出现，谢谢您

> > 关于这个问题我明白了，谢谢您，看了您发表的论文中剪枝框图和实验部分后，我还有一个关于在YOLO模型剪枝训练的问题想请教您，整个剪枝流程是下面我所描述的哪种呢：一、训练一个基础模型，然后不断调整初始层损失等超参数对基础模型进行剪枝，直到达到满意的剪枝效果；二、训练一个基础模型，以固定的超参数对模型进行剪枝重训练后，再将剪枝后的模型作为新的基础模型进行剪枝重训练，直到达到满意的剪枝效果。抱歉频繁打扰您了，感谢您的解答。 > > 一般而言，本文所提的整个剪枝流程遵循的是迭代式剪枝，也就是您描述的第二种方式。这种迭代式剪枝流程适用于大比例压缩的目标，当压缩目标比例较小时，可以选择第一种，即只剪一次，其中通过调整超参实现相似压缩比例下性能最大程度保留。 您好，我看论文中关于超参数对模型剪枝影响的实验中，涉及到剪枝率pruning ratio和掩蔽比masking ratio，我想请教您，我在自己应用剪枝算法时，这两个参数是否需要进行调整呢，需要调整的话，是在代码哪个部分进行修改，还是说按照您给出的命令行代码，只对初始层损失、总体性能损失和滤波比进行修改即可