神经网络的具有结构和参数这两个特点，这两个特点都具有极端严重含义。本文指出神经网络的滤波器除了一般运用的参数特点以外，还有一种形状特点。形状特点之前一向隐含在参数中，经过练习每个滤波器的参数使其取得不同的形状。滤波器的形状特点具有极端严重的含义。具有适宜形状的滤波器，即便参数是随机的，也能具有比较好的功能。

  因而本文经过一种名为滤波器骨架（Filter Skeleton，FS）的模块来显性地学习滤波器的形状（如图中①）。当练习完毕，咱们我们可以将FS乘回参数上，因而不会引进额定的参数（如图中②）。

  关于不在骨架上的参数，运用逐条裁剪的办法将其整条（stripe，1*1滤波器）裁剪掉。

  详细的，首要经过卷积核算次序的改换，可以将滤波器从Filter wise等价改换为stripe wise（如图中③）。接下来就可以正常的运用正常的滤波器剪枝办法对其进行裁剪（如图中④）。

  （1）提出滤波器除了参数特点外，还存在形状特点，而且形状特点具有极端严重含义。

  （3）经过改换一般卷积为Stripe-Wise Convolution，结构化的完成逐条剪枝后的模型。