专栏首页PaddlePaddle137% YOLOv3加速、10倍搜索性能提升!这样的惊喜,最新版PaddleSlim有10个

137% YOLOv3加速、10倍搜索性能提升!这样的惊喜,最新版PaddleSlim有10个

近年来,深度学习在工业领域的应用越来越广泛,不但提升了企业的自动化生产效率,还为企业的重要决策提供了数据支撑,AI正逐步改变人们的生活和生产方式。由于深度神经网络计算复杂度高、参数量大,极大限制了模型的部署场景,尤其是移动嵌入式设备端。因此模型小型化技术成为最近几年学术界和工业界研究的热点。

PaddleSlim是基于飞桨框架、功能完备、完全开源的深度学习模型压缩工具,集深度学习模型压缩中常用的量化、剪裁、蒸馏、模型结构搜索、模型硬件搜索等方法于一体,满足更多的工业部署场景需求,进一步降低了深度学习在工业领域应用的门槛。

PaddleSlim于2019年Q1首次发布,至今已经历经了四个版本的打磨。本次发布的PaddleSlim1.0在易用性、模型适配、端侧部署、性能提升等方面都有了显著提升,并在百度人脸SDK中成功应用,实现在嵌入式设备上,0.3秒内完成人脸检测、跟踪、活体检测、识别等全流程操作,助力百度发布了业内最领先的壁虎、疫情体温测试等系列硬件。

PaddleSlim1.0发布了10个关键特性,下面我们一同感受下它在模型压缩上的不同之处。

飞桨PaddleSlimV1.0项目地址:

https://github.com/PaddlePaddle/PaddleSlim

图1 百度壁虎人脸识别终端

01

定制YOLO蒸馏方案,刷新COCO检测任务精度

模型蒸馏是将复杂网络中的有用信息提取出来,迁移到一个更小的网络中去,从而达到节省计算资源的目的。PaddleSlim1.0在支持传统蒸馏方法和基于 FSP(Flow of Solution Procedure)蒸馏方法的同时,还支持针对不同的任务,自定义Loss的蒸馏策略。

在ImageNet分类任务上,将MobileNetV2精度进一步提升了2.1%,此外PaddleSlim1.0还联合PaddleDetection开发了针对YOLO系列模型的蒸馏方案,在COCO目标检测数据集上精度提高2%以上。

表 1 蒸馏策略部分实验结果

02

基于敏感度无损剪裁目标检测模型,裁剪后精度不降反增

为了最大化模型剪枝效果,PaddleSlim在之前的版本中实现了基于网络结构敏感度进行剪枝的方案,PaddleSlim1.0支持模型敏感度的多机、多线程并行加速计算。用户可以根据计算结果绘制要裁剪模型的敏感度折线图,然后从中选取一组合适的剪裁率,或者直接调用PaddleSlim提供的接口自动生成一组合适的剪裁率。

图2 卷积层敏感度折线图

模型裁剪最大的难题是准确找出网络中所有与被剪卷积相关的节点,通常做法是以全局视角进行遍历,但可扩展性不强。PaddleSlim1.0采用以网络节点为视角进行遍历,找出所有与被剪卷积相关的节点,相当于把复杂网络的遍历任务分摊给了各个类型的网络节点,从而提升了可扩展性,在理论上可以支持任意复杂的网络。

在目标检测任务中,可以在不降低模型精度的情况下,进行大比例的剪枝,个别任务剪枝后精度反而有所提升

表2 基于敏感度的剪裁方法部分实验结果

03

支持网络可配置量化,新增离线量化,模型预测速度成倍数提升

定点量化的目的是将神经网络前向过程中浮点数运算(float32)量化为整数(int8)运算,以达到计算加速的目的。PaddleSlim1.0在定点量化的功能上,还支持了网络可配置量化,可以对用户指定的局部网络进行量化,即敏感层继续用浮点数进行计算,以减小精度损失。

为了减少量化训练的开销,PaddleSlim1.0还新增了离线量化功能,大部分任务在不进行re-train的情况下也能达到较高的量化的精度。

PaddleSlim1.0支持对卷积层、全连接层、激活层、BIAS层和其它无权重的层量化。实验证明,定点量化最高可以使模型减小到原来的约1/4,基于Paddle Lite预测部署框架,不同模型可实现1.7倍~2.2倍的加速。

表 3 int8部分定点量化训练实验结果

04

全新的NAS架构,搜索更快速、结构更灵活

PaddleSlim1.0开放了更加灵活的NAS API,预定义了更丰富的搜索策略和搜索空间。将搜索空间和搜索策略完全解耦,方便用户扩展搜索策略和搜索空间。

在搜索策略层面,之前版本已经支持模拟退火(Simulated Annealing, 简称SA)算法,相比传统RL算法,收敛速度更快,迭代步骤更少。支持分布式SA搜索策略,确保40GPU卡以内搜索速度线性加速。

本次升级新增了目前热门的基于超网络(HyperNet)的One-Shot NAS自动搜索方法,One-Shot NAS将超网络训练与搜索完全解耦,可以灵活的适用于不同的约束条件,超网络训练过程中显存占用低,所有结构共享超网络权重,搜索耗时加速显著,同时还研发了基于自监督的排序一致性算法,以确保超网络性能与模型最终性能的一致性。

在搜索空间层面,新增对MobileNet、ResNet、Inception等多种类型的搜索空间,同时还支持多个不同类型的搜索空间堆叠进行搜索,用户也可自定义搜索空间。

图3 One-Shot网络结构搜索原理

表 4 ImageNet任务上One-Shot搜索加速收益

实验结果表明,对比单卡SA搜索策略,单卡One-Shot策略实现搜索速度加快10倍以上。

05

创新的硬件搜索技术,为不同硬件自动匹配最优模型

由于不同硬件架构的差异,需要人工进行繁琐的硬件适配工作,硬件搜索就是要解决在硬件适配过程中,为特定硬件定制最优模型结构的问题。

在搜索最优模型结构的过程中,如何快速获得模型在硬件上的实际性能是首先需要解决的问题,传统的FLOPs无法准确表示模型在真实硬件环境上的性能,PaddleSlim1.0支持基于Operator查表进行网络延时预估的方法。

用户只需在硬件上建立Operator延时表,并在网络生成后基于Operator延时表、网络延时评估器、网络结构即可快速获得网络在硬件上的延时情况。

图4 SANAS硬件搜索原理及过程

表5 各硬件平台使用硬件搜索加速后收益(ImageNet任务上相比MobileNetV2)

06

新增大规模可扩展知识蒸馏框架Pantheon

支持分布式蒸馏,实现teacher和student在不同GPU或不同机器上进行蒸馏。避免当teacher和student过大,出现无法运行的情况。在单机图像分类蒸馏任务上,该方法能降低蒸馏耗时约50%。

图5 大规模蒸馏原理图

07

支持分类、检测、分割多个场景,多种策略自由组合

PaddleSlim1.0支持多种压缩策略组合使用,以达到最高的压缩比。在分类任务上,实现了模型大小减小70%,准确提升1%。

表6 ImageNet分类任务的部分模型压缩效果

在目标检测任务上,实现了COCO任务提升0.6%,FLOPs减小43%。

表7 目标检测模型部分模型压缩效果

08

实现从“模型训练->模型压缩->预测部署”全流程应用

PaddleSlim基于飞桨完善的技术生态,实现了从“模型训练->模型压缩->预测部署”的全流程应用,压缩后的模型可无缝落地各种硬件环境。

图6 压缩与部署流程

表8 目标检测模型部署在服务端和移动端的耗时数据

测试数据表明,MobileNetv1-YOLOv3在移动端不同设备上提速约127%~137%。

表9 ImageNet分类模型部署在服务端和移动端的部分性能

09

轻量级接口设计,实现各策略解耦,大大缩短编码耗时

PaddleSlim1.0实现了全新接口设计,通过算法独立实现不同压缩方法之间的代码解耦,每个方法既可独立使用,又可混合使用,大大缩短了编码耗时。此外接口设计更加简单,用户只需要在原有工程上添加如下几行代码,即可快速实现模型压缩。

下面我们构造一个MobileNetV1图像分类模型,并剪裁其中两个卷积层,观察剪裁后的FLOPs,代码示意如下:

# 构建网络
import paddle
import paddle.fluid as fluid
import paddleslim as slim
exe, train_program, val_program, inputs, outputs =  
      slim.models.image_classification("MobileNet", [1, 28, 28], 10, use_gpu=False)
print(“FLOPs before pruning: {}”.format(slim.analysis.flops(train_program)))

# 声明剪裁器
pruner = slim.prune.Pruner()

# 剪裁网络
pruned_program, _, _ = pruner.prune(train_program
fluid.global_scope(),
params=["conv2_1_sep_weights", "conv2_2_sep_weights"], 
ratios=[0.33] * 2,
place=fluid.CPUPlace())

# 查看FLOPs
print(“FLOPs before pruning: {}”.format(paddleslim.analysis.flops(train_program))

如果想了解和使用完整代码,请打开下方链接查看图像分类模型通道剪完整代码示例:

https://aistudio.baidu.com/aistudio/projectdetail/309947

如果您想了解更多的关于裁剪的代码示例,请打开下方链接查看高级剪裁教程:

https://aistudio.baidu.com/aistudio/projectdetail/308077

如上完整代码在百度开发实训平台AI Studio上可在线运行,进入链接的地址后,选择 “登录AI Stuido -> 单击Fork ->启动项目”即可。

10

完善的中英文文档,为全球开发者和合作伙伴提供了更友好的支持

同步开发者建议,完善了中文文档,并新增英文文档,为全球PaddleSlim开发者和合作伙伴提供了更友好的支持。

当前,PaddleSlim已经在业内领先的壁虎人脸识别套件、AI测温等系列产品上成功商用。在第15届百度之星开发者大赛中,PaddleSlim作为模型小型化赛题中的重要工具,被来自全国90%双一流高校和相关研究的1800多支参赛队使用。

本文分享自微信公众号 - PaddlePaddle(PaddleOpenSource)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2020-03-10

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 飞桨工程师亲授调参技巧,可使MobileNetv3-YOLOv3模型压缩70%,推理速度提升1倍

    随着端侧算力日益增长,以及模型小型化方案日趋成熟,使得高精度的深度学习模型在移动端、嵌入式等终端设备上流畅运行成为可能。然而将深度学习融合到终端设备上依旧面临平...

    用户1386409
  • 【文本分类】基于DNN/CNN的情感分类

    导语 PaddlePaddle提供了丰富的运算单元,帮助大家以模块化的方式构建起千变万化的深度学习模型来解决不同的应用问题。这里,我们针对常见的机器学习任务,提...

    用户1386409
  • 飞桨手势识别带你玩转神庙逃亡

    手势交互方式符合人类思维逻辑,具有自然性和直观性等特点。使用者不需要有过高的门槛,便可以很好地体验到人机交互的乐趣。手势识别技术具有良好的应用前景——包括电子娱...

    用户1386409
  • 137% YOLOv3加速、10倍搜索性能提升!这样的惊喜,最新版PaddleSlim有10个

    最新消息,历经一年四个版本打磨之后,百度推出最新深度学习模型压缩工具PaddleSlim1.0。

    量子位
  • CVPR 2020 | 基于知识蒸馏的分块监督NAS

    以机器自动设计网络结构为目标的神经网络搜索(NAS,Neural Architecture Search)有望为机器学习带来一场新的革命。

    CV君
  • 基于神经网络的文本特征提取——从词汇特征表示到文本向量

    https://blog.csdn.net/u011239443/article/details/80898514 在实际系统我们会接触到许许多多的文本类型...

    用户1621453
  • 图灵奖得主推荐新书:图模型手册(500页PDF下载)

    图灵奖获得者 Judea Pearl 在 Twitter 推荐了一本新书《图模型手册》,他认为,这本书很好地刻写了图模型领域自 20 世纪 80 年代成立以来是...

    新智元
  • 飞桨工程师亲授调参技巧,可使MobileNetv3-YOLOv3模型压缩70%,推理速度提升1倍

    随着端侧算力日益增长,以及模型小型化方案日趋成熟,使得高精度的深度学习模型在移动端、嵌入式等终端设备上流畅运行成为可能。然而将深度学习融合到终端设备上依旧面临平...

    用户1386409
  • 大幅提升开发效率!这几个调参技巧你不可不知!

    随着端侧算力日益增长,以及模型小型化方案日趋成熟,使得高精度的深度学习模型在移动端、嵌入式等终端设备上流畅运行成为可能。

    GitHubDaily
  • 干货 | 让算法解放算法工程师——NAS 综述

    AutoML(automated machine learning)是模型选择、特征抽取和超参数调优的一系列自动化方法,可以实现自动训练有价值的模型。AutoM...

    AI科技评论

扫码关注云+社区

领取腾讯云代金券