This paper focuses on the development of a methodology to compress neural networks that is based on the mechanism of pruning the hidden layer neurons. The aforementioned neural networks are created in order to process the data generated by numerous
sensors present in a transducer network that would be employed in a smart building. The proposed methodology implements a single
approach for the compression of both Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN) that are used
for the tasks of classification and regression. The main principle behind this method is based on the dropout mechanism, which is
employed as a regulation mechanism for the neural networks. The idea behind the method proposed consists of selecting optimal
exclusion probability of a hidden layer neuron, based on the redundancy of the said neuron. The novelty of this method is the usage
of a custom compression network that is based on an RNN, which allows us to determine the redundancy parameter not just in a single hidden layer, but across several layers. The additional novelty aspect consists of an iterative optimization of the networkoptimizer, to have continuous improvement of the redundancy parameter calculator of the input network. For the experimental evaluation of the proposed methodology, the task of image recognition with a low-resolution camera was chosen, the CIFAR10 dataset
was used to emulate the scenario. The VGGNet Convolutional Neural Network, that contains convolutional and fully connected layers, was used as the network under test for the purposes of this experiment. The following two methods were taken as the analogous
state of the art, the MagBase method, which is based on the sparcification principle as well as the method which is based on rarefied
representation by employing the approach of rarefied encoding SFAC. The results of the experiment demonstrated that the amount of
parameters in the compressed model is only 2.56 % of the original input model. This has allowed us to reduce the logical output time
by 93.7 % and energy consumption by 94.8 %. The proposed method allows to effectively using deep neural networks in transducer
networks that utilize the architecture of edge computing. This in turn allows the system to process the data in real time, reduce the
energy consumption and logical output time as well as lower the memory and storage requirements of real-world applications.
У цій статті основна увага приділяється розробці методу компресії нейронних мереж, який заснований на механізмі
виключення нейронів прихованих шарів. Вищезазначені нейронні мережі створюються для обробки даних, що генеруються
численними сенсорами, присутніми в трансдюсерних мережах, які використовуються в області створення розумних будинків. Запропонований метод реалізує єдиний підхід до компресії як згорткових нейронних мереж, так і рекурентних нейронних мереж, які використовуються для задач класифікації і регресії. Основний принцип цього методу заснований на механізмі виключення, який використовується в якості механізму регуляризації нейронних мереж. Ідея запропонованого методу
полягає у виборі оптимальної ймовірності виключення нейрона прихованого шару на основі параметра надмірності. Новизна цього методу полягає у використанні спеціальної мережі-оптимізатора, яка представляє собою рекурентну нейронну мережу, що дозволяє обчислювати параметр надмірності не тільки на одному прихованому шарі, але і на кількох шарах. Додатковий аспект новизни полягає в ітеративній оптимізації мережі-оптимізатора для постійного поліпшення обчислення параметрів надмірності вхідної нейронної мережі. Для експериментальної оцінки запропонованого методу була обрана задача
розпізнавання зображень камерою низького розширення, для емуляції сценарію використовувався набір даних CIFAR10. В
якості експериментальної нейронної мережі була обрана згорткова нейронна мережа VGGNet, яка містить згорткові і повнозв'язні шари. В якості методів-аналогів був узятий метод MagBase, який заснований на принципі спарцифікаціі, а також
метод, заснований на розрідженому представленні з використанням підходу розрідженого кодування SFAC. Результати експерименту показали, що кількість параметрів в скомпресованій моделі складає всього 2,38 % від оригінальної моделі. Це
дозволило скоротити час логічного висновку на 93,7 % і споживання енергії на 94,8 %. Запропонований метод дозволяє
ефективно використовувати глибокі нейронні мережі в трансдюсерних мережах, що використовують архітектуру периферійних обчислень. Це, в свою чергу, дозволяє системі обробляти дані в реальному часі, скоротити споживання енергії і час
логічного висновку, а також зменшити вимоги до пам'яті та сховища для реальних додатків.
