为什么剪枝参数在tensorflow的tfmot中增加

Question

我修剪了一个模型，并遇到了一个库TensorFlow模型优化，因此，最初，我们有

​

我在一个默认的数据集上训练了这个模型，它给了我96 %的准确率，这是很好的。然后，我将模型保存在JSON文件中，并将模型的权重保存在h5文件中，现在我将该模型加载到另一个脚本中，以便在应用剪枝和编译模型之后对其进行剪枝，得到了模型摘要。

​

虽然模型修剪得很好，参数也有了很大的减少，但是问题是为什么参数在应用修剪后会增加，而且即使在重新移动不可训练的参数之后，修剪和简单的模型仍然有相同数量的参数，任何人都可以解释我这是正常的还是我做错了什么。另外，请解释为什么会发生这种情况。预先谢谢各位:)

Answer 1

这是正常的。剪枝不会改变原模型的结构。因此，这并不意味着要减少参数的数量。

剪枝是一种模型优化技术，它消除了不常用的(换句话说，可以说是不必要的)权重值。

第二个模型摘要显示了为剪枝而增加的参数。它们是不可训练的参数。不可训练参数表示掩蔽.简而言之，tensorflow为网络中的每个权重添加了不可训练的掩码，以指定哪些权重应该被剪短。面具由0和1组成。