{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,4,29]]，“日期-时间”：“2024-04-29T20:31:47Z”，“时间戳”：171442270773}，“参考-计数”：73，“发布者”：“爱思唯尔BV”，“许可证”：[{“开始”：{-“日期-零件”：[2022,10,1]]，”日期-时间“：”2022-10-01T00:00:00Z“，”timestamp“：1664582400000}，”content-version“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[2022,10,1]]，“date-time”：“2022-10-01T00:00:00Z”，“timestamp”：1664582400000}，“content-version”：“stm-asf”，“delay-in-days”：“0”，“URL“https:\\/doi.org\/10.15223\/policy-017“}，{“开始”：{“日期部分”：[[2022,10,1]]，“日期时间”：“2022-10-01T00:00:00Z”，“timestamp”：1664582400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-037”}，{“start”：{“date-parts”：[[2022,10,1]]，“date-time”：“2022-10-01T00:00”，“时间戳”：1664.582400000{，“content-version“stm-as”，“delay-in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-012“}，{“start”：{“date-parts”：[[2022,10,1]]，“date-time”：“2022-10-01T00:00:00Z”，“timestamp”：1664582400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{（日期-部件）：[[2022,10,1]]1664582400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-004”}]，“content-domain”：{“domain”（域）：[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[“Future Generation Computer Systems”（未来一代计算机系统）]，“published-print”（发布-print）：{”date-parts“：[2022,10]]}，”doi“10.1016\/j.Future.2022.04.031”，“type”：“journal-article”，“created”（创建）：{“日期部分”：[[2022,5,4]]，“date-time”：“2022-05-04T10:18:35Z”，“timestamp”：1651659515000}，“page”：“44-56”，“update-policy”：”http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：13，“title”：[“推理感知卷积神经网络修剪”]，“prefix”：“10.1016”，”volume“：“135”，“author”：[{“给定”：“Tejaja”lal“，”family“：”Choudhary“，“sequence”：“first”，“affiliation”：[]}，{“ORCID”：“http://\/ORCID.org\/00000-0002-3649-1388”，“authenticated-ORCID”：false，“given”：”Vipul“，”family“：”Mishra“，”sequence“：”additional“，”affiliance“：[]{，”given“：”Anurag“，”家族“：”Goswami“，”序列“：”附加“，”从属关系“：[]}，“giving”：“Jagannathan”，“family”：“Sarangapani”，“sequence”：“附加”，“affiliation”：[]}]，“member”：“78”，“reference”：[{“key”：“10.1016\/j.future.2022.04.031_b1”，“series-title”：“2009 IEEE计算机视觉与模式识别会议”，“首页”：“248”，“article-title”：”Imagenet:一个大规模分层图像数据库“，”author：“Deng”，“year”：“2009}，{“key”：”10.1016\/j.future.2022.0 4.031_b2“，”article-title“：“Faster r-cnn:Towards real-time object detection with region proposal networks”，“volume”：“28”，“author”：“Ren”，“year”：“2015”，“journal-title”：“Adv.Neural Inf.Process.Syst.”}，{“key”：”10.1016\/j.future.2022.04.031_b3“，”article-title“：”Imagenet classification with deep convolutional Neural networks“，”：“25”，“作者”：“Krizhevsky”，“年份”：“2012”，“期刊标题”：“Adv.Neural Inf.Process.Syst.”}，｛“issue”：“5\u20136”，“key”：“10.1016\/j.future.202.04.031_b4”，“doi断言者”：“crossref”，“首页”：“602”，“doi”：“10.1016\/j.neuet.2005.06.0042”，“文章标题”：“双向LSTM和其他神经网络架构的框架音素分类”，“volume”：“18”，“author”：“Graves”，“年”：“2005”，“新闻标题”：“神经网络”}，{“关键”：“10.1016\/j.future.2022.04.031_b5”，“系列标题”：《机器学习国际会议》，“首页”：“2048”，“文章标题”：”展示、出席和讲述：用视觉注意力生成神经图像字幕“，“作者”：“徐”，“年份”：“2015”}，“doi-asserted-by”：“crossref”，“first page”：“2278”，“doi”：“10.1109\/5.726791”，“article-title”：“基于梯度的学习应用于文档识别”，“volume”：”86“，“author”：“LeCun”，“year”：“1998”，“journal-title“：”Proc.IEEE“}，{“key”：《电气与电子工程师协会》10.1016\/j.future.2022.04.031_b7”，“doi-asserted-by”：”crossreff“，“unstructured”：“K.He，X.Zhang，S.Ren”、j。Sun，图像识别的深度残差学习，摘自：IEEE计算机视觉和模式识别会议论文集，2016年，第770\u2013778页。“，”DOI“：”10.1109\/CVPR.2016.90“}，{“key”：“10.1016\/j.future.2022.04.031_b8”，“series-title”：“用于大规模图像识别的非常深卷积网络”，“author”：“Simonyan”，“year”：“2014年“}，{“key”：“10.1016\/j.future.2022.04.031_b9”，“series-title”：“欧洲计算机视觉会议”，“首页”：“21”，“文章-标题”：“Ssd：单次多盒探测器”，“作者”：“刘”，“年份”：“2016”}，}“密钥”：“101016\/j.futere.2022.03.031_b10”，“doi-asserted-by”：“crossref”，“非结构化”：“T.j.Yang，Y.H.Chen，V。Sze，《使用能量感知修剪设计节能卷积神经网络》，载于：《IEEE计算机视觉和模式识别会议论文集》，2017年，第5687\u20135695页。“，DOI”：“10.1109\/CVPR.2017.643”｝，｛“key”：“10.1016\/j.future.202.04.031_b11”，“DOI asserted by”：“crossref”，“first page”：“148”，“DOI”：“10.1016\/j.neunet.2019.04.021“，“article-title”：“深度神经网络中用于加速推理的冗余特征修剪”，“volume”：“118”，“author”：“Ayinde”，“year”：“2019”，“journal-title“：“neural Netw”。“}，{”key“：”10.1016\/j.future.2022.04.031_b12“，”article-title“：”学习有效神经网络的权值和连接“，”volume“：“28”，”author“：”Han“，”year“：”2015“，”journal-title”：“Adv.neural Inf.Process.Syst.”}，“key”：“10.1016\/j.future.2022.0 4.031_b13”，“article-title”“：”深度学习中的预测参数“，”volume“”：“26”，“author”：“”Denil”，“年份”：“2013年”，“新闻标题”：“高级神经信息处理。系统。“}，{”key“：”10.1016\/j.future.2022.04.031_b14“，”article-title“：”Binaryconnect:“在传播过程中训练具有二进制权重的深层神经网络“，”volume“：“28”，”author“：”Courbariaux“，”year“：”2015“，”journal-title”：“Adv.neural Inf.Process.Syst.”}，“29”，“作者”：“胡巴拉”，“年份”：“2016年”，“新闻标题”：“高级神经信息处理。系统。“}，{”key“：”10.1016\/j.future.2022.04.031_b16“，”series-title“：”高效convnet的修剪过滤器“，”author“：”Li“，”year“：”2016“}”，{“issue”：“10”，“key”：“10.1016\/j.forture.2022.04.031_b17”，“doi-asserted-by”：“crossref”，“first page”：”4730“，”doi“：”101109\/TNNLS.2017.2774288“，”article-title“：“”量化CNN:加速和压缩卷积网络的统一方法”，“卷”：“29”，“作者”：“成”，“年份”：“2017年”，“新闻标题”：“IEEE Trans。神经网络。学习。系统。“}，{”key“：”10.1016\/j.future.2022.04.031_b18“，”series-title“：”机器学习国际会议“，”首页“：”2285“，”article-title“：“用散列技巧压缩神经网络”，”author“：”Chen“，”year“：”2015“}”，{卷：“31”，“作者”：“朱”，“年份”：“2018”，“新闻标题”：“高级神经信息处理”。系统。“}，{”key“：”10.1016\/j.future.2022.04.031_b20“，”article-title“：”通过知识蒸馏学习有效的对象检测模型“，”volume“：“30”，”author“：”Chen“，”year“：”2017“，”journal-title”：“Adv.Neural Inf.Process.Syst.”}，“{”密钥“：”101016\/j.furte.2022.04.0 31_b21“，”series-title“：“”修剪卷积神经网络进行资源效率推理”，“author”：“Molchanov”，“year”：“2016”}，{“key”：“10.1016\/j.future.2022.04.031_b22”，“article-title”：“Dynamic network surgery for efficient dnns”，“volume”：”29“，“author”：“Guo”，“year”：”2016“，”journal-title“：”Adv.neural Inf.Process.Systseries-title“：”加速具有低阶扩展的卷积神经网络“，”author“：”Jaderberg“，”year“：”2014“}，{“key”：“10.1016\/j.future.2022.04.031_b24”，“doi-asserted-by”：“crossref”，“first page”：”185“，”doi“：”10.1016\/j.neucom.200.02.035“，”article-title“：”稀疏低阶因式分解用于深度神经网络压缩“，”volume“：“398”，“author“：”Swaminathan“，”year“：”2020“，”journal-title“：”Neurocomputing“}，{“key”：“10.1016\/j.future.2022.04.031_b25”，“article-title”：“最佳脑损伤”，“volume”：”2“，”author”：“LeCun”，“year”：“1989”，“journal-title”:“Adv.Neural Inf.Process.Syst.”}，}“issue”：“1”，“key“：”10.1016\/j.future.2022.0 4.031_b26”，“首页”：“”1929年“，”文章标题“：”辍学：防止神经网络过度拟合的简单方法”，“数量”：“15”，“作者”：“斯利瓦斯塔瓦”，“年份”：“2014年”，“期刊标题”：“J.马赫。学习。Res.“}，{”key“：”10.1016\/j.future.2022.04.031_b27“，”article-title“：”网络修剪的二阶导数：最优脑外科医生“，”volume“：“5”，“author”：“Hassibi”，“year”：“1992”，“journal-title”：“Adv.Neural Inf.Process.Syst.”}，“key”：“10.1016\/j.future.2022.0 4.031_b28”，“doi-asserted-by”：“crossref”，”unstructured“：”S.Liu，Y.Lin，Z.Zhou，英国。Nan，H.Liu，J.Du，移动设备的按需深度模型压缩：一个使用驱动的模型选择框架，载于：第16届国际移动系统、应用和服务年会论文集，2018，第389\u2013400页修剪，还是不修剪：探索修剪对模型压缩的效果”，“作者”：“朱”，“年份”：“2017”}，{“关键”：“10.1016\/j.future.2022.04.031_b30”，“doi-asserted-by”：“crossref”，“非结构化”：“Z.Liu，j.Li，Z.Shen，G.Huang，S.Yan，C。张，通过网络精简学习有效卷积网络，收录于：IEEE国际计算机视觉会议论文集，2017年，第2736\u20132744页article-title“：“浅层深层网络：基于特征表示的分层修剪”，“卷”：“41”，“作者”：“陈”，“年份”：“2018年”，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”10.1016\/j.future.2022.04.031_b32“，”series-title“：”深度压缩：用剪枝、训练量化和哈夫曼编码压缩深度神经网络“，”author“：”Han“，”year“：”2015“}”，{“key”：“10.1016//j.furture.2022.04.031_b33”，“series-tile”：“重新思考网络剪枝的价值”，“author”：“Liu”，“year”：“2018”}，“issue”：“10”，“key“”：”10.1016\/j.future.2022.04.031_b34“，”doi-asserted-by“：”crossref“，”first page“：”2525“，”doi“：”10.1109\/TPAMI.2018.2858232“，“article-title”：“Thinet:Pruning cnn filters for a thiner net”，“volume”：“41”，“author”：“Luo”，“year”：“2018”，“journal-title“：”IEEE Trans。模式分析。机器。智力。“}，{”key“：”10.1016\/j.future.2022.04.031_b35“，”doi-asserted-by“：”crossref“，”unstructured“：”Z.Huang，N.Wang，深度神经网络的数据驱动稀疏结构选择，in：《欧洲计算机视觉会议论文集》，ECCV，2018，pp.304\u2013320。“，”doi“：”101007\/978-3030-01270-0_19“}”，{“issue”：“2”，“key”：“”10.1016\/j.future.2022.04.031_b36“，”article-title“：“超参数优化随机搜索”，“volume”：“13”，“author”：“Bergstra”，“year”：“2012”，“journal-title”：“j.Mach”。学习。研究“}，{“key”：“10.1016\/j.future.2022.04.031_b37”，“doi-asserted-by”：“crossref”，“unstructured”：“Y.He，j.Lin，Z.Liu，H.Wang，L.j.Li，S.Han，Amc:移动设备上模型压缩和加速的Automl，摘自：《欧洲计算机视觉会议论文集》，ECCV，2018，第784\u2013800页。”，“doi”：“101007\/978-3-30-01234-2_48”}key“：”10.1016\/j.future.2022.04.031_b38“，”doi-asserted-by“：”crossref“，”unstructured“：”Y.He，X.Zhang，j.Sun，《加速超深层神经网络的通道修剪》，收录于：IEEE国际计算机视觉会议论文集，2017年，第1389\u20131397页series-title“：“深度神经网络的无数据参数修剪”，“author”：“Srinivas”，“year”：“2015”}，{“issue”：“1”，“key”：“10.1016\/j.future.2022.04.031_b40”，“doi-asserted-by”：“crossref”，“first-page”：“43”，“doi”：“101023\/A:1009639214138”，“article-title”：“一种简单的神经网络修剪算法及其在滤波器合成中的应用”，“volume”：13“，“作者”：“铃木”，“年份”：“2001”，“新闻标题”：“神经过程”。莱特。“}，{”key“：”10.1016\/j.future.2022.04.031_b41“，”series-title“：”稀疏连接神经网络：实现深度神经网络的高效vlsi“，”author“：”Ardakani“，”year“：”2016“}”，{“key”：“10.1016\/j.forture.2022.0 4.031_bs2”，“series-ttle”：“探索递归神经网络中的稀疏性”，“author”：“Narang”，“year”：“2017”}，”{“密钥”：“”10.1016\/j.future.2022.04.031_b43“，”article-title“：”Runtime neural prunning“，”volume“：”30“，”author“：”Lin“，”year“：”2017“，”journal-title”：“Adv.neural Inf.Process。系统。“}，{”issue“：”3“，”key“：”10.1016\/j.future.2022.04.031_b44“，”doi-asserted-by“：”crossref“，”first page“：“568”，“doi”：“10.1109\/TPAMI.2018.2886192”，“article-title”：“通过并行剪枝量化进行深度神经网络压缩”，“volume”：“42”，“author”：“Tung”，“year”：“2018”，“journal-title“：”IEEE Trans.Pattern Anal.Mach.Intell.“}，{“键”：“10.1016\/j.future.2022.04.031_b45“，“series-title”：“彩票假设：发现稀疏可训练的神经网络”，“author”：“Frankle”，“year”：“2018”}，{“key”：“10.1016\/j.forture.2022.04.031_b46”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.knosyss.2020.106622”，“article-title”：”AutoML:最新技术的调查“，”卷“212”作者：“他”，“年份”：“2021年”，“新闻标题”：“知道”-基于系统。“｝，｛”key“：”10.1016\/j.future.202.04.031_b47“，”series title“：”自动化机器学习：方法、系统、挑战“，”首页“：”219“，”作者“：”Hutter“，”年份“：”2019“｝，｛”key“：”10.1016\/j.future.202.04.031_b48“，”series title“：”深入研究神经网络压缩的结构化修剪“，”作者“：”Crowley“，”年份“：”2018“｝，｛”key“：”10.1016\/j.future.2022.04.031_b49“，“series-title”：“人工神经网络国际会议”，“首页”：“92”，“article-title”：“调整深度神经网络\u2019s超参数限制在微型系统上的可部署性”，“author”：“Perego”，“year”：“2020”}，{“issue”：“7”，“key”：”10.1016\/j.future.2023.031_b50“，”doi-asserted-by“：”crossref“，”first page“：”5113“，”DOI“：”10.1007 \/s10462-020-09816-7“，”article-title“：”模型压缩和加速综合调查“，”volume“：“53”，”author“：”Choudhary“，“year”：“2020”，”journal-title”：“Artif。智力。Rev.“}，{”issue“：”1“，”key“：”10.1016\/j.future.2022.04.031_b51“，”doi-asserted-by“：”crossref“，”first page“：“126”，”doi“：”101109\/MSP.2017.2765695“，”article-title“：”deep neural networks:The principles，progress，and challenges“，”volument:“35”，“author”：“Cheng”，“year”：“2018”，“journal-title”：“”IEEE信号处理。Mag.“}，{”issue“：”1“，”key“：”10.1016\/j.future.2022.04.031_b52“，”doi-asserted-by“：”crossref“，”first-page:“64”，“doi”：“10.1631\/FITEE.1700789”，“article-title”：“深度卷积神经网络有效计算的最新进展”，“volume”：“19”，“author”：“Cheng”，“year”：“2018”，“journal-title“：”Front.Inf.Technol.Electron.Eng.“”}，”{“key“：”10.1016\/j.future.202.04.031_b53”，“首页”：“937”，“文章标题”：“具有不等式约束的贝叶斯优化”，“卷”：“2014卷”，“作者”：“Gardner”，“年”：“2014”}，{“键”：“10.1016\/j.future.202.04.031_b54”，“系列标题”：“贝叶斯优化与数据科学”，“作者”：“Archetti”，“年”：“2019”}，{“键”：“10.1016\/j.future.2022.04.031_b55“，“series-title”：“当代问题优化和建模的最新进展”，“首页”：“255”，“文章-标题”：“贝叶斯优化”，“作者”：“I”，“年份”：“2018”}，{“问题”：“117\u2013129”，”key“：”10.1016\/j.future.2023.031_b56“，”首页“：”2“，”文章-标题“：”贝叶斯方法在求极值中的应用”，“卷”：“2”，“作者”：“Mockus”，“年份”：“1978年”，“新闻标题”：“走向全球”。最佳方案。“}，{”key“：”10.1016\/j.future.2022.04.031_b57“，”article-title“：”机器学习算法的实用贝叶斯优化“，”volume“：“25”，“author”：“Snoek”，“year”：“2012”，“journal-title”：“Adv.Neural Inf.Process.Syst.”}，“key”：“10.1016\/j.future.2022.0 4.031_bb8”，“series-title”：”机械学习暑期班“，”首页“：”63“，”article-title“：“机器学习中的高斯过程”，“author”：“Rasmussen”，“year”：“2003”}，{“key”：“10.1016\/j.future.2022.04.031_b59”，“series-title”：“Surrogates:Gaussian Process Modeling，Design，and Optimization for the Applied Sciences”，“作者”：“B.”，“年份”：“2020”}昂贵成本函数的贝叶斯优化教程，应用于主动用户建模和分层强化学习”，“author”：“Brochu”，“year”：“2010”}，{“issue”：“1”，“key”：“10.1016\/j.future.2022.04.031_b61”，“doi-asserted-by”：“crossref”，“first-pages”：“148”，”doi“10.1109\/JPROC.2015.2494218”，“article-title”：“让人类脱离循环：贝叶斯优化综述”，“卷”：“104”，“作者”：“Shahraria”，“年份”：“2015年”，“新闻标题”：“Proc。IEEE“}，{”key“：”10.1016\/j.future.2022.04.031_b62“，”series-title“：”在噪声存在下定位任意多峰曲线最大点的新方法“，”author“：”j.“，”year“：”1964“}”，{“key”：“10.1016\/j.forture.2022.0 4.031_563”，“series-ttle”：“1992 IEEE系统、人和控制论国际会议论文集”，“首页“：”1241“，”article-title“：“一种全局优化的统计方法”，“author”：“Cox”，“year”：“1992”}，{“key”：“10.1016\/j.future.2022.04.031_b64”，“series-title”：“pytorch中的自动微分”，“author”:“Paszke”，“year”：”2017“}，“key“10.1016 \/j.future.2022.04.031 _b65”，“doi-asserted-by”：“crossref”，“unstructured”：“K.He，X.Zhang、S。Ren，J.Sun，《深入研究整流器：在图像网络分类方面超越人类水平的性能》，载于：IEEE国际计算机视觉会议论文集，2015年，第1026\u20131034页。“，”DOI“：”10.1109\/ICCV.2015.123“}，{“key”：“10.1016\/J.future.2022.04.031_b66”，“series-title”：“从微小图像中学习多层特征”，“author”：“Krizhevsky”，“year”：“2009”}，{“key”：“10.1016\/j.future.2022.04.031_b67”，“series-title”：“机器学习国际会议”，“首页”：“448”，“article-title”：年份：“2015”}，{“key”：“10.1016\/j.future.2022.04.031_b68”，“doi-asserted-by”：“crossref”，“unstructured”：“C.Zhao，B.Ni，j.Zhang，Q.Zhao、W.Zhang、Q.Tian，变分卷积神经网络修剪，收录于：IEEE计算机视觉与模式识别会议论文集，2019年，第2780\u20132789页。”，“doi”：“10.1109\/CVPR.2019.00289“}，{“key”：“10.1016\/j.future.2022.04.031_b69”，“series-title”：“2018 IEEE计算机视觉应用冬季会议，WACV”，“首页”：“709”，“article-title”：”学习修剪卷积神经网络中的滤波器“，”作者“：”黄“，”年份“2018”}，“key“：”10.1016\/j.future.2022.0 4.031_b70“，”首页“：”1“，”article-title“：“基于启发式的深层神经网络自动剪枝”，“author”：“Choudhary”，“year”：“2022”，“journal-title”：“neural Compute”。申请。“}，{”key“：”10.1016\/j.future.2022.04.031_b71“，”doi-asserted-by“：”crossref“，”unstructured“：”Y.Zhou，Y.Zhang，Y.Wang，Q.Tian，《通过递归贝叶斯修剪加速cnn》，收录于：IEEE\/CVF国际计算机视觉会议论文集，2019年，第3306\u20133315页。“，”doi“：”101109\/ICCV.2019.00340“}”，{“key”：“”10.1016\/j.future.2022.04.031_b72“，“doi-asserted-by”：“crossref”，“unstructured”：“R.Yu，A.Li，C.F.Chen，j.H.Lai，V.I.Morariu，X.Han，et al.Nisp：使用神经元重要性得分传播修剪网络，摘自：IEEE计算机视觉和模式识别会议论文集，2018，pp.9194\u20139203。”，“doi”：“10.1109\/CVPR.2018.00958“｝，｛“键”：“10.1016\/j.future.202.04.031_b73”，“系列标题”：“2014 IEEE国际固态电路会议技术论文摘要，ISSCC”，“首页”：“10”，“文章标题”：“1.1计算\u2019能源问题（以及我们能做些什么）”，“作者”：“Horowitz”，“年份”：“2014”｝]，“容器标题”：[”Future Generation Computer Systems“]，”original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com\/content\/article\/PII:S0167739X22001601？httpAccept=text\/xml“，”content-type“：”text\/xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，”{“URL”：“https:\//api.elsevier.com/content\/artracle\/PI:S0 167739X22001601？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2023,2,25]]，“date-time”：“2023-02-25T02:18:56Z”，“timestamp”：1677291536000}，“score”：1，“resource”：{“primary”：“URL”：“https:\/\/linkinghub.elsevier.com//retrieve\/pii\/S0167739 X22001601“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[2022,10]]}，”references-count“：73，”alternative-id“：[”S0167739X22001601“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.future.2022.04.031“，”relation“：{}，“ISSN”：[”0167-739X“]，“ISSN-type”：[{“value”：“0167-739 X”，“type”:“print”}]，“subject”：[]，“published”：{“date-parts”：[2022,10]]}，“assertion”：[{“value”：“Elsevier”，“name“：”publisher“，”label“：”本文由“}维护，{“value”：“推理感知卷积神经网络修剪”，“name”：“articletite”，“label”：“article Title”}，{”value“：”Future Generation Computer Systems“，”name“：“journaltitle”，“标签”：“Journal Title“}，”{“值”：“https:\/\/doi.org\/101016\/j.Future.2022.04.031”，“name”：“rticlelink”，“label“：”CrossRef DOI link to publisher maintained version“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“value”：“\u00a9 2022 Elsevier B.V.保留所有权利。”，“名称”：“版权”，“标签”：“copyright”}]}}