我们刚接到一个项目时，一开始并不是如何设计模型，而是去先跑一个现有的模型，看在项目需求在现有模型下面效果怎么样。当现有模型效果不错需要深入挖掘时，仅仅时跑现有模型是不够的，比如，如果你要在嵌入式里面去实现，目前大多数模型大小和计算量都不满足，这就产生了模型压缩和剪枝。
模型压缩常做的是将模型从float变为int8，这不仅带来了模型参数空间上的减少，同时，是的很多较小的参数直接变为0，是的模型压缩可以变得比较小（一般是缩小到原来的20），但是这种方式下，压缩后的模型不一定能work，还得调整。
模型剪枝，就是觉得算法实现这个任务or功能，没必要使用那么大的模型，但是目前深度学习的模型对我们来说还是个“黑盒子”，怎样剪枝合适？这就可以使用tf.nn.zero_fraction统计某个值的0的比例，这个tf.nn.zero_fraction计算出来的值越大，0的比例越高，说明这层网络种起作用的神经元个数越少。通过这个统计，我们是否可以这样采取策略：
1、网络层数不变，减少该层网络的卷积核个数，训练看效果。
2、我们将值为0占比高的网络砍掉，再训练查看效果。如果效果好，ok继续压缩，如果效果差，分析原因：a、是否是网络减少了一层，导致感受野变小了？可以尝试增大剩下网络的感受野。b、是否是模型复杂度不够了？可以尝试增加剩下网络卷积核和特征图个数，适当弥补砍掉网络带来的复杂度降低。
当然，还有其他很多模型压缩，模型减枝的技巧方式，比如使用mobile net代替传统卷积神经网络等。