本资源中的笔记均为读研期间个人所记。 其中包含数篇剪枝方向的论文笔记。 An Entropy-based Pruning Method for CNN Compression.docx Channel Pruning for Accelerating Very Deep Neural Networks.docx network_pruning_that_matters.docx Neuron-level Structured Pruning using Polarization.docx Pruning Filter in Filter.docx 等等。

这里只给出了源代码，没有解决方案文件，大家可以自行组装。VS2022编译通过。博弈树最大搜索深度目前是4层（代码中因为序号从0开始，所以是3，其实还是4层这，已经是上限了）。

问题描述：给定一个容量为C的背包及n个重量为wi，价值 为p1的物品，要求把物品装入背包，是背包的价值最大， 此类问题为背包问题。物品或者装入背包，或者不装入背 包，称之为0/1被包问题 假设xi表示物品i被装入背包的情况，xi = 1表示物品装 入背包，xi = 0表示物品没装入背包，根据题目要求，有 下列约束函数 SUM(wi*xi) <= C,bestp = MAX(pi*xi) where 0 <= i < n 解决方法：0/1背包问题有多种解决方法，本实验用动态规 划，回溯，分支界限三种方法进行解题

GoogLeNet包含多个并行的卷积层和池化层,极具表现力,但也导致其参数数量冗余和计算量大,解决该问题的根本途径是将网络稀疏化.剪枝算法通过训练网络、修剪低权重连接和再训练网络三步操作,只保留卷积层和完全连接层中的强相关连接,实现简化网络结构和参数数量的效果,获得近似的网络模型,不影响网络后验概率估计的准确性,达到压缩效果.传统计算方式不适合非均匀稀疏数据结构,所提出的阈值剪枝算法设定合适的阈值,将原始GoogLeNet模型中将近1040万参数减少到65万,大约压缩了16倍.原始网络在进行剪枝处理后,准确率会有所降低,但经过少数次迭代,网络的准确率与原始模型不相上下,达到了压缩模型的效果,验证了阈值剪枝算法对改进GoogLeNet模型训练过程的有效性.

搜索是计算机解题中常用的方法，它实质上是枚举法的应用。由于它相当于枚举法，所以其效率是相当地的。因此，为了提高搜索的效率，人们想出了很多剪枝的方法，如分枝定界，启发式搜索等等。在竞赛中，我们不仅要熟练掌握这些方法，而且要因地制宜地运用一些技巧，以提高搜索的效率。

未进行修改的代码，成功运行需要参考同名文章。

luogu P1092 虫食算（深搜+剪枝）

人工智能课程项目报告 基于 Alpha-Beta 算法的五子棋游戏 班级学号姓名 摘要 博弈是人工智能的主要研究领域之一 而五子棋是经典的双 agent 博弈游戏 本文对针对五子 棋游戏的 Alpha-Beta 搜索算法进行研究设计实际算法并使用 Java 完成程序设计实现人机博弈 为了提高算法效率在传统的 Alpha-Beta 算法的基础上根据五子棋的特点通过局部搜索优先 值启发搜索限制广度等

二打一，五子棋，平台开发，机器人对战。用Jave开发的二打一，五子棋机器人对战平台，附有例子机器人。功能强大，平台代码封装，玩家可以自己编写自己的机器人代码，与平台默认的机器人对战，也可以自己设置对手进行对战。该程序已相当一个游戏平台，趣味性与智力性必备。绝对物有所值，超值，白菜价，费了本人不少时间搞出来的。

利用αβ剪枝 算法编写出五子棋游戏，可预测未来三步，含游戏界面