IBM研究所研究员Nam Nguyen 在2017年NIPS会议发表论文 ，揭露研究中的人工智慧最佳化框架Net-Trim，以分层凸集架构来修剪精简预先训练的深度类神经网路模型，解决大型机器训练模型在嵌入式系统运作资源短缺的问题。

随着技术的发展，从影像辨识到语言翻译，深度学习逐渐成为人工智慧应用程式的首选，而为了增加结果精确度，开发者使用更多的资料以及更多层的深度学习网路，以期得到更好的结果，然而越庞大的训练模型意味着需要更多的运算资源，不过对于运算资源有限的嵌入式系统来说，如果这些庞大的预训练模型无法在上头运行，那也是徒劳。

Nam Nguyen与其团队开发的Net-Trim，能够在不牺牲精确度的情况下降低机器学习训练模型複杂度。其中一个工作便是移除冗赘的权重值，让网路变的稀疏。常见的方法便是使用L1正规法，但是这个方法在深度学习无用武之地，部分原因是因为跟深度学习相关的公式为高度非凸性。

Net-trim能找到每一层网路中最稀疏的一组权重，并维持输出与起始训练的回应值一致。使用L1鬆弛，由于整流器线性单元活化是分段线性的，因此允许透过解决凸程式来搜寻。

训练资料在类神经网路一层一层的往下传递，Net-trim在结果输出与前置预算网路的回应值一致的前提，每一层以最佳化架构提升权重稀疏度。Net-Trim其中一项优点便是能使用凸公式，能够适用各种标准凸优化。

而Net-Trim于其他修剪方法不同之处在于，Net-Trim方式是数学可证的，在学习网路修剪前与修剪后维持相似效率。另外，与其他使用阈值修剪的方法相比，Net-Trim在第一次修剪完后，不需要再花其他多重再训练的步骤。而且受惠于Net-Trim后处理阶段的特性，Net-Trim可以搭配各种最新的类神经网路，再缩小模型大小之余，还能增进模型的稳定度以及预测精准度。

Net-Trim是第一个有效能保证的修剪架构。Net-Trim可以让前置预算可追蹤，凸公式可以推导出再训练的模型与起始模型的距离理论值。Net-Trim使用MNIST资料集，可以无损分类精准度的修剪掉超过95％的资料量，以模型大小相比，100MB可以缩减成5MB，这样的成果非常有利于在行动装置上使用。