人工神经网络的动态稀疏化训练方法、装置、终端及介质

本发明提供一种人工神经网络的动态稀疏化训练方法、装置、终端及介质。该方法包括：基于激活点聚集损失和区域中心分离损失构建神经网络的损失函数；其中，神经网络的每层设有多个激活区域；将输入特征映射到庞加莱圆盘模型表示的双曲空间，并基于损失函数，对神经网络进行稀疏化训练；基于激活点与区域中心的双曲相似度，将各个激活点归类到各个激活区域；基于聚类结构动态生成稀疏掩码，并将稀疏掩码加入神经网络的激活函数。本发明能够在保持或提升模型精度的同时，将推理FLOPs与显存占用降低70％以上，训练收敛时间缩短约25％，并借助层级友好的双曲表示显著增强模型可解释性，满足边缘终端对高效率、低功耗AI部署的需求。