cnn中单个layer的卷积核个数有很多，如何度量这些卷积核的作用大小是个很有意思的问题。L1范数作为一个比较直观的度量方法，计算起来比较简单。但是其有效性却是有争论。这里比较了两篇论文的观点，试图理解，为什么两方的观点截然相反。

round1-PRUNING FILTERS FOR EFFICIENT CONVNETS

https://arxiv.org/abs/1608.08710 

L1有用，请看l1虐random

round2-Recovering from Random Pruning: On the Plasticity of Deep Convolutional Neural Networks

https://arxiv.org/abs/1812.10240 

L1没用，和随机差不多，其他的度量也都是扯，都不如随机。

是不是很有意思，两篇文章观点相反，第二篇还引用了第一篇文章。不过第二篇没敢说为啥第一篇搞的有问题，本来很期待argue下的。

对比

这里我做了下对比，可能大家就能看出来原因。

实验的方法、数据集、训练的方法不一致，造成了完全相反的结论。

不过我觉得引用数少的更有道理：数据集够大，考虑所有层共同看结果才是合理的。

真实的剪枝肯定要所有层都剪，单看单层剪的效果，其实并一定能预见所有层都剪的效果。