模型裁剪用于减小模型的计算量和体积，可以加快模型部署后的预测速度，是一种减小模型大小和降低模型计算复杂度的常用方式，通过裁剪卷积层中Kernel输出通道的大小及其关联层参数大小来实现，其关联裁剪的原理可参见PaddleSlim相关文档。一般而言，在同等模型精度前提下，数据复杂度越低，模型可以被裁剪的比例就越高。
PaddleX提供了两种方式:
1.用户自行计算裁剪配置(推荐)，整体流程包含三个步骤,
第一步： 使用数据集训练原始模型
第二步：利用第一步训练好的模型，在验证数据集上计算模型中各个参数的敏感度，并将敏感度信息存储至本地文件
第三步：使用数据集训练裁剪模型（与第一步差异在于需要在train接口中，将第二步计算得到的敏感信息文件传给接口的sensitivities_file参数）
在如上三个步骤中，相当于模型共需要训练两遍，分别对应第一步和第三步，但其中第三步训练的是裁剪后的模型，因此训练速度较第一步会更快。
第二步会遍历模型中的部分裁剪参数，分别计算各个参数裁剪后对于模型在验证集上效果的影响，因此会反复在验证集上评估多次。
2.使用PaddleX内置的裁剪方案
PaddleX内置的模型裁剪方案是基于标准数据集上计算得到的参数敏感度信息，由于不同数据集特征分布会有较大差异，所以该方案相较于第1种方案训练得到的模型精度一般而言会更低（且用户自定义数据集与标准数据集特征分布差异越大，导致训练的模型精度会越低），仅在用户想节省时间的前提下可以参考使用，使用方式只需一步，
一步： 使用数据集训练裁剪模型，在训练调用
train接口时，将接口中的sensitivities_file参数设置为'DEFAULT'字符串
注：各模型内置的裁剪方案分别依据的数据集为： 图像分类——ImageNet数据集、目标检测——PascalVOC数据集、语义分割——CityScape数据集
基于上述两种方案，我们在PaddleX上使用样例数据进行了实验，在Tesla P40上实验指标如下所示，
实验背景：使用MobileNetV2模型，数据集为蔬菜分类示例数据，见使用教程-模型压缩-图像分类
| 模型 | 裁剪情况 | 模型大小 | Top1准确率(%) | GPU预测速度 | CPU预测速度 |
|---|---|---|---|---|---|
| MobileNetV2 | 无裁剪（原模型） | 13.0M | 97.50 | 6.47ms | 47.44ms |
| MobileNetV2 | 方案一(eval_metric_loss=0.10) | 2.1M | 99.58 | 5.03ms | 20.22ms |
| MobileNetV2 | 方案二(eval_metric_loss=0.10) | 6.0M | 99.58 | 5.42ms | 29.06ms |
实验背景：使用YOLOv3-MobileNetV1模型，数据集为昆虫检测示例数据，见使用教程-模型压缩-目标检测
| 模型 | 裁剪情况 | 模型大小 | MAP(%) | GPU预测速度 | CPU预测速度 |
|---|---|---|---|---|---|
| YOLOv3-MobileNetV1 | 无裁剪（原模型） | 139M | 67.57 | 14.88ms | 976.42ms |
| YOLOv3-MobileNetV1 | 方案一(eval_metric_loss=0.10) | 34M | 75.49 | 10.60ms | 558.49ms |
| YOLOv3-MobileNetV1 | 方案二(eval_metric_loss=0.05) | 29M | 50.27 | 9.43ms | 360.46ms |
实验背景：使用UNet模型，数据集为视盘分割示例数据, 见使用教程-模型压缩-语义分割
| 模型 | 裁剪情况 | 模型大小 | mIOU(%) | GPU预测速度 | CPU预测速度 |
|---|---|---|---|---|---|
| UNet | 无裁剪（原模型） | 77M | 91.22 | 33.28ms | 9523.55ms |
| UNet | 方案一(eval_metric_loss=0.10) | 26M | 90.37 | 21.04ms | 3936.20ms |
| UNet | 方案二(eval_metric_loss=0.10) | 23M | 91.21 | 18.61ms | 3447.75ms |