1.一种基于概率的MobileNetV1网络通道剪枝方法，其特征在于，所述方法包括以下步骤：步骤S1、给定训练集和测试集，在MobileNetV1的训练过程中，除了计算预测标签和真实标签的交叉损失函数lossds，还另外计算BN缩放因子的L1损失函数lossnorm；利用这两个损失函数进行梯度的计算，并更新MobileNetV1的参数；得到预训练模型；

步骤S2、给定参数z∈[2，4]，定义Z＝β‑z×|γ|；其中β·γ分别是BN层的可训练参数：偏移因子和缩放因子；并计算步骤S1的预训练模型中所有BN层每个通道的Z；

步骤S3、对于步骤S2输出的Z，如果Z小于0，则剪枝，否则不剪枝；在MobileNetV1中，其基本模块为深度可分离卷积；深度可分离卷积包括深度卷积和逐点卷积；其中，深度卷积的特性是输入通道和输出通道一一对应，某个输入通道和输出通道需要同时剪枝或者不剪枝，否则会破坏卷积的方式；对于某对输入通道和输出通道，存在4种情况：1)输入通道不剪枝，输出通道不剪枝；2)输入通道不剪枝，输出通道剪枝；3)输入通道剪枝，输出通道不剪枝；4)输入通道剪枝，输出通道剪枝；对符合第2)，3)，4)种情况的深度卷积进行通道剪枝，得到初步剪枝MobileNetV1模型；

步骤S4、对于步骤S3中的第3)种情况，输出通道会输出一个常数，且这个常数不受网络输入的影响；将其涉及的计算结果融合到下一层BN的偏移因子中，以减少剪枝网络准确率的下降，且融合过程不会增加额外的参数；

步骤S5、输出并保存最终的剪枝MobileNetV1模型；

在所述步骤S1中，给定训练集包括图像和对应的类别标签；损失函数的计算包括两类：

‑5

1)交叉熵损失lossds；2)L1损失lossnorm；总损失Loss为两者加权和losscb+10 ×lossnorm；基于总损失计算反向传播需要的梯度，并进行MobileNetV1模型的参数的更新，得到预训练MobileNetV1模型。