循环神经网络及其变体长短时记忆网络等,具备处理时间顺序数据的功能,大大提高了语音识别、自然语言处理和机器翻译等工作的准确性。但是,循环神经网络参数量庞大,推理存在顺序依赖性。而边缘设备具有有限的计算资源和存储空间,很难处理大型神经网络。同时,对于拥有大规模并发请求的服务器上的应用程序,实际使用时的推理时延对于节约计算资源也是十分重要的。边缘设备存储、快速离线应用循环神经网络模型仍然存在非常大的难度。模型压缩是一种探索模型关键结构的技术,能有效减小模型规模、提升推理速度,是在边缘设备上有效利用神经网络模型的重要技术。对于卷积神经网络模型的压缩已经有了很多成果,但对于循环神经网络模型的压缩与提速的探索还刚起步。在循环神经网络模型压缩现有的少量方法中,剪枝时都只考虑了模型单循环层内权重权值重要程度,这样剪枝存在几个问题:首先,现有的循环神经网络模型剪枝规则都只考虑了循环层内权重的相对重要程度,没有在整个网络内衡量参数的冗余。其次,在衡量参数重要性时,都只考虑了权重权值的规则,忽略了循环单元的相似性,没有消除循环单元间的冗余。针对以上问题,本论文中提出了基于L2范数与相似性相结合的剪枝方法来对循环神经网络模型进行压缩加速,该方法计算循环神经网络每层权重权值重要性特征,进行归一化,在整个网络中衡量权重重要性,同时本方法考虑了循环单元间相似性,进一步消除了循环单元间的冗余。此外,现有的剪枝方法都是针对已有权重根据重要性规则进行修剪。目前最新研究的一些实验表明,子网络的有效性体现在结构上而非预训练权重上。根据这个研究,我们提出了基于最优初始化结构探索的循环神经网络模型压缩方法,压缩时只考虑子网络结构,摆脱了对预训练模型权重的依赖。与本领域已有的方法相比,本论文中提出了全新的压缩规则,考虑了全局与循环单元间冗余,也启发性地探索了循环神经网络最优初始化结构,摆脱了剪枝对权重的依赖。文中对提出的方法在实验中进行了论证,取得了不错的成效。