深度神经网络由于其出色的性能被广泛的应用到了各个领域中,但同时深度神经网络也具有计算量和参数量较大的弊端,这样的特点阻碍了深度神经网络的进一步发展。近年来大量的研究关注于深度神经网络的压缩与加速,并提出了多种有效的方法。一种常用的方法是神经网络的剪枝,但目前的剪枝方法大多都依赖手工设计剪枝模型结构和单一的剪枝算法,在面对不同的硬件或者压缩目标时欠缺灵活性,并且在压缩率较高的时候难以维持原有的性能。因此,本文提出深度神经网络压缩与加速的过程应该更加自动化,在面向不同压缩目标的时候能够自动搜索剪枝模型结构,并且为不同剪枝层搜索合适的剪枝算法,从而不仅节约人力成本,并且实现更小的性能损失。本文提出将自动机器学习与神经网络压缩与加速相结合,具体的研究内容和创新点如下:本文提出一种基于快速混合搜索的自动模型剪枝方法。针对深度卷积神经网络的结构化剪枝中的两个步骤:设计剪枝模型结构和剪枝算法,本文创新性的提出通过混合搜索的方式来同时搜索剪枝模型结构与剪枝算法。具体来说,本文在搜索每一层的剪枝率的同时,也为每一个进行剪枝的卷积层搜索合适的剪枝算法。除此之外,为了同时兼顾搜索效率与搜索的准确度,本文提出将搜索的过程分为两个阶段。首先在第一个阶段中利用进化算法在初始的较为庞大的搜索空间中进行搜索,并使用高效的自适应BN的方式验证候选剪枝模型;然后在第二个搜索阶段中基于上一个阶段的搜索结果,在一个小范围内进行搜索,并使用更为精准的微调的方式验证候选剪枝模型。该方法相比之前的方法具有更小的精度损失,也创新性的提出了为不同的卷积层搜索不同的剪枝算法。