循环神经网络（RNN）的训练成本一直是规模化应用的瓶颈。Block-Sparse Recurrent Neural Networks提出了一种结构化的稀疏化方案，在保持模型容量的同时大幅降低计算开销。
核心思路是将权重矩阵划分为块级稀疏结构。与传统全连接层相比，这种方法让参数利用率更聚焦，同时保留了序列建模所需的记忆能力。稀疏模式经过预先设计，避免了随机稀疏带来的硬件效率损失。
打开网易新闻 查看精彩图片
实验表明，在同等参数量下，块稀疏RNN的推理速度显著提升，长序列任务上的梯度传播也更稳定。这对需要实时响应的语音、时序预测场景尤为关键。
打开网易新闻 查看精彩图片
不过稀疏结构对初始化敏感，且需要专用算子支持。目前主流框架的适配仍在完善中。
打开网易新闻 查看精彩图片
热门跟贴