摘要: 现如今，以数据为基础的高度智能化产品和服务改变了生活的方方面面，人类对数据的重视与依赖也达到前所未有的高度。得益于硬件设备的快速发展，海量数据的采集工作得以精准且有效地进行。深度学习方法在分析多维度、多层次数据并建立数学模型方面展... 展开 现如今，以数据为基础的高度智能化产品和服务改变了生活的方方面面，人类对数据的重视与依赖也达到前所未有的高度。得益于硬件设备的快速发展，海量数据的采集工作得以精准且有效地进行。深度学习方法在分析多维度、多层次数据并建立数学模型方面展现出了良好的可靠性与有效性，其中，深度神经网络尤为突出。图像作为二维结构性数据，是目前应用最为广泛的数据类型，也是众多深度神经网络试图解决分类问题的主要对象之一。为满足亿级像素数据源和海量数据类别的分析要求，深度神经网络逐步走向深层化和复杂化。尽管性能表现良好，庞大的网络规模和计算量往往使得实际应用难以实现。 为解决复杂、深层的深度神经网络带来的规模冗余和计算冗余，本文从深度神经网络隐层拓扑结构出发，建立隐层拓扑优化策略，旨在保留深度神经网络模型性能的同时予以最大化地压缩模型，降低计算复杂度。主要工作如下： 首先，分析影响深度神经网络隐层拓扑结构的相关因素，比如卷积层、卷积核以及卷积核对应的权值初始化方式。通过分析特征图的边缘信息（视为纹理）确定卷积层的深度限制。利用第一层卷积核的先验数量和各层的组合优化初步确定合理的初始隐层拓扑结构。考虑不同类型的卷积核权值初始化方式，寻找最佳路径，获取完整的隐层拓扑结构。 其次，统一拓扑和结构的概念，拓扑即结构。注重分析隐层拓扑变化引起的模型性能变化，以相关性作为影响隐层拓扑复杂度的关键指标，对各层提取的特征图的相关性进行建模，完成原始隐层拓扑到对应特征图拓扑的映射。提出深度神经网络的拓扑优化策略，实现深度神经网络结构的快速剪枝。 再者，建立影响隐层拓扑复杂度的混合相似性度量和混合相关性隐层拓扑映射方式，扩展特征图向量的局部特征，多级等间隔量化密集型拓扑块的信息熵值，保留了不同类型通道的差异性并实现了深度神经网络的隐层拓扑稀疏化，由此最大限度地保留性能的同时压缩原始深度神经网络的规模。 最后，通过公共数据集和小样本数据集的验证，本文提出的基于隐层拓扑结构优化的深度神经网络能够在不同指标水平上实现原始网络规模的有效压缩，这对深度神经网络在低水平硬件上的应用和智能化算法的部署意义非凡。 收起