原文链接：https://arxiv.org/pdf/1912.08881v1.pdf 发表：
code：
编辑：Daniel
本文提出了一种新的剪枝标准，将一种解释图像分类的方法LRP用于剪枝。
首先介绍一下LRP，通过定义每一层对上一层结果的贡献和相关性，最后推导至原图中的像素层面。
上图左侧为一般的图片分类过程，右侧为解释过程，从预测结果向前传播，并将预测结果关联到每一层的特征，最终在输入图像的像素层面进行可视化，得出每个像素对于最终分类结果的贡献。
对于LRP来说，每层的相关性是守恒的，即
对于一般的多层网络，示意图如下：
左侧为一般的前向传播，右侧为LRP分配示意图，为了满足各层相关性守恒，有以下两式：
再将权重考虑进来，可得：
这个地方公式比较多，看一下原文会更清楚。（原文链接：https://www.scienceopen.com/document?vid=09930944-7198-4cbd-840d-a8e5a7dc053b）
对于一般的多层网络，前向传播中有如下公式：
其中w为权重，b为偏置，g为激活函数。
在经过最后一个全连接层后，f(x)被定义为：
因此两个节点之间的关联值被定义为：
将一层的节点相加可得：
为了避免由于z太小导致R取到无界值，文中加入ε≥0：
然后文中又将正数和负数分开处理，得到
最终得到：（说实话这一步没太懂）
介绍完了LRP，这篇剪枝论文和LRP这篇是同一群作者，所以就把LRP直接用在了剪枝上。LRP通过类似后向传播的方式，将预测结果分配到输入图像的每个像素点上，以此来观察每个像素点对于最终分类结果的贡献。而在LRP传播过程中，网络中每层的每个filter也都积累了相应的贡献值，作者将每层中贡献值较小的filter删除，来达到剪枝的目的，示意图如下：
上图左侧为一般的前向传播，中间为LRP传播过程，右侧为剪枝过程。
