Pruning ラボ
重要度の低い重みを削除し、疎性・マスク・圧縮効果を測定します。
Pruning は重要でない重みを削除してモデルを小さく高速化します。多くの重みが 0 になり、推論でスキップ可能になります。
本ラボは重みの pruning に焦点。非構造（個別重み）や構造化（行/列）を試せます。
閾値: |w| が閾値未満の重みを削除。
Global Top-K: 全体で最大の K 個を保持。
目標疎性: 指定した疎性に達するよう閾値を自動決定。
行/列 Top-K: 行または列ごとに Top を保持し構造的疎性を近似。
ランダム / 反復: ベースラインとスケジュール型 pruning で漸進圧縮を示す。
- 行列を生成し、必要なら値を編集。
- pruning 戦略とパラメータを選択。
- 元の行列と剪定後/マスクを比較。
行列ジェネレータ
現在: 100%
Pruning 設定
サマリー
次元: -
NNZ (元 ⇒ 剪定): -
疎性 (元 ⇒ 剪定): -
密行列推定サイズ: - bytes
マスクサイズ: - bits
最後の戦略: -
元の行列（クリックで編集）
セルをクリックして編集。Enter で保存、空は 0。
剪定後の行列
マスク (1 = 保持, 0 = 削除)
JSON 出力
ノート
- 非構造 pruning は高い疎性を得るがメモリアクセスが不規則。
- 構造化 pruning は加速しやすいが特徴を丸ごと削除する可能性。
- 反復 pruning は学習時スケジュールを模擬し安定圧縮。