DNN Sparse

思想的由来：观察的重要性在此体现的玲离尽致。微软那一拨人观察发现DNN模型参数权值很大比例（近70%）小于0.1。有了这个观察结果，他们就开始思考着把这些过小的权值直接置零会如何，如果性能没有太大损失，那就太好了。实验一跑，果不其然。

Sparseness DNN: 大部分参数权值为0的DNN模型；Sparseness DNN优化目标有两个，目标一，最小化交叉熵，目标二，最小化非零参数个数；可以将多目标问题转换为带约束条件的凸优化问题，约束条件就是非零参数个数小于预先设置的阈值。

模型训练：

step1. 正常的CE准则训练（该步之后，权值趋于稳定，简单来说就是幅值大的依然大，幅值小的依旧小）

step2. 基于step1获得的最终模型，设置每层的置零率，如60%，即60%的参数置零；确定每层的置零率后，统计每层的权值门限值，权值在门限值以下置零

step3. 继续进行CE准则训练，并且保持step2制定的sparseness pattern；如何保持？方法一，直接掩蔽为零的权值，即不更新；方法二，将权值在(0,min{θ/2,0.02}) 范围的置0，其中θ 为step2计算的权值门限值。