通道剪枝在卷积神经网络加速中有着广泛的应用,但如今已经遇到了瓶颈,主要源于两处挑战:1)对冗余性准确而直观的测量;2)模型卷积层之间的依赖性使得冗余性动态变化,如何对此建模。为此,本文首先引入了dropout技术,其中包含一个dropout rate的参数,表达了在训练中丢弃通道的概率。考虑到传统dropout难以优化,本文推导出了高斯dropout,使得dropout rate可以在贝叶斯框架下像模型参数一样被更新,继而模型可以自动学习到对自身冗余性的判断。其次,本文将卷积层上dropout噪声建模为随卷积层延展的马尔科夫链（Markov Chain）,并将dropout噪声的后验分布作为反应层之间依赖关系的工具。考虑到此后验分布的闭式解不可达,本文推导出一种类Dirac的诱导稀疏性的先验,这种先验可以使得在贝叶斯推断的优化过程中,dropout噪声的分布自动向所求的后验分布近似。本文还证明了与已有的研究相比,对层间依赖的建模在理论上可以得到更普适的解,并且时间上未引入额外的开销,相反地,随着逐层推断,冗余的通道会被更新到较大的dropout rate,并被轻松识别、剪枝。本文将这种基于贝叶斯框架逐层剪枝的方法称作递归贝叶斯剪枝（Recursive Bayeisan Pruning,RBP）。在主流模型上的实验显示RBP达到或超过了剪枝领域的前沿水平。虽然RBP在纵向对比上展现出了有效性,但是本文发现对于残差网络,剪枝的加速对象会受到限制,因为主干与旁支的输出通道需要强对齐。幸运的是,另一种加速策略,低秩近似（Low Rank Approximation）不受这个因素的影响,只是已有的低秩近似尚未很好地解决秩的选择问题,但这恰好与剪枝中通道选择是类似的。因此,本文受到启发,提出剪秩框架（Rank Pruning Framework）,使得剪枝可以应用在低秩近似场景下。具体地,每个卷积层在训练前先分解为两个卷积因子的堆叠,使得秩的选择等价于通道的选择,继而,几乎任意剪枝算法都可以得到应用,在剪枝的过程中自然就降低了秩的大小,起到加速的作用。诸多对于残差网络的实验证明了PRF能够结合剪枝与低秩近似的优势,在速度与性能之间找到更好的平衡点。