为什么在 tensorflow 的 tfmot 中修剪参数会增加

我在修剪模型时遇到了一个库 TensorFlow 模型优化，所以最初，我们有

我在默认数据集上训练了这个模型，它给了我 96% 的准确率，这很好。然后我将模型保存在 JSON 文件中并将其权重保存在 h5 文件中，现在我将此模型加载到另一个脚本中以在应用修剪和编译模型后修剪它我得到了这个模型摘要

尽管模型修剪得很好并且参数显着减少，但这里的问题是为什么在应用修剪后参数增加，即使在移除不可训练的参数后，修剪后的简单模型仍然具有相同数量的任何人都可以向我解释这是正常的还是我做错了什么。还请解释为什么会发生这种情况。提前谢谢大家:)

这是正常的。修剪不会改变原始模型的结构。所以这并不是为了减少参数的数量。

剪枝是一种模型优化技术，可消除权重中不常用（换句话说，您可以说是不必要的）值。

第二个模型摘要显示了为修剪添加的参数。它们是不可训练的参数。 不可训练的参数代表屏蔽。简而言之，tensorflow 为网络中的每个权重添加了不可训练的掩码，以指定应该修剪哪些权重。掩码由 0 和 1 组成。