神经网络模型的复杂性增加近年来成倍地扩大内存消耗和计算成本,从而阻碍他们的应用程序在ASIC, FPGA和其他移动设备。因此,压缩,加快神经网络是必要的。在这项研究中,我们引入一个新的策略训练低位网络权重和激活量化由几位和地址两个相应的基本问题。一是通过低位离散化近似激活减少网络计算成本和记忆点积。另一种是指定重量为离散权重量化和更新机制,避免梯度不匹配。与量化低位重量和激活,昂贵的软件不能操作将取而代之的是移位操作。我们评估该方法常见的数据,结果表明,该方法可以大大压缩轻微的神经网络精度损失。