深度学习模型部署：落实产品部署前至关重要的一件事！

作者：Edison_G

前段时间，”计算机视觉研究院“推出一期专门说部署模型的专题，今天我来和大家说说部署模型前的一件重要事情，那就是训练，如何加速训练也是一件不可忽略的流程，今天技术应用到了剪枝，有兴趣的请继续阅览！

计算机视觉研究院

1

前言

最先进的深度神经网络 (DNN) 剪枝技术在训练开始前一次性应用，借助剪枝分数的单一标准评估稀疏架构。基于单独分数的剪枝权重对于某些架构和修剪率很有效，但对于其他架构和剪枝率也可能失败。作为剪枝分数的通用基线，有研究者引入了广义synaptic score（GSS）的概念。

在这项工作中，研究者不专注于单一的剪枝标准，而是提供一个框架来组合任意GSS以创建更强大的剪枝策略。这些组合剪枝分数 (COPS) 是通过解决约束优化问题获得的。优化一个以上的分数可以防止稀疏网络过度专注于单个任务，从而在训练开始之前控制剪枝。 COPS给出的组合优化问题在线性规划 (LP) 上是松弛的。该LP被解析求解并确定COPS的解。此外，还提出并评估了一种以数值方式计算两个分数的算法。以这种方式求解COPS的复杂度低于最好的通用LP求解器。

在实验中，将剪枝与COPS与针对不同网络架构和图像分类任务的最新方法进行了比较，并获得了改进的结果。

2

背景

上图，《PRUNING FILTERS FOR EFFICIENT CONVNETS》。在裁剪的时候同样会考虑每一层对裁剪的敏感程度，作者会单独裁剪每一层来看裁剪后的准确率。对于裁剪较敏感的层，作者使用更小的裁剪力度，或者跳过这些层不进行裁剪。目前这种方法是实现起来较为简单的，并且也是非常有效的，它的思路非常简单，就是认为参数越小则越不重要。

《An Entropy-based Pruning Method for CNN Compression》

作者认为通过weight值的大小很难判定filter的重要性，通过这个来裁剪的话有可能裁掉一些有用的filter。因此作者提出了一种基于熵值的裁剪方式，利用熵值来判定filter的重要性。作者将每一层的输出通过一个Global average Pooling将feature map转换为一个长度为c（filter数量）的向量，对于n张图像可以得到一个n*c的矩阵，对于每一个filter，将它分为m个bin，统计每个bin的概率，然后计算它的熵值 利用熵值来判定filter的重要性，再对不重要的filter进行裁剪。

CIFAR-10上VGG16的dense baseline、随机剪枝、SNIP、GraSP和GCOPS的比较。左：网络剩余权重的平均梯度范数，在训练前评估并归一化 w.r.t. dense网络的梯度。右：相应的测试精度。

3

新思路

定理 1：

算法1给出了一种通过区间二分法逼近 λ∗ 的简单方法。根据定理 1，λ∗ 产生相应的 COPS掩码m∗。为了应用算法1，必须找到一个合适的值λ+，其中g0(λ+) ≤ 0。一种可能性是从λ+ = 1 开始。如果g0(λ+) ≥ 0，则λ+可以迭代加倍。下图给出了算法 1 的图形说明。

左图：g和λ∗的图形示例，稀疏度为σ = 2，πi(λ) = s(0)i +λ·s(1)i。为清晰起见，使用κ = 0，Active πi(λ)为红色。给定λ的πi(λ)的灰色着色突出显示πi(λ) ≥ 0。右图：显示算法1的前三个步骤以获得解 λ∗。

G-COPS导出的掩码与基础目标分数SNIP(sim(M0, mακ))和控制分数GraSP(sim(M1, mακ)) 之间的相似性。SNIP和GraSP通过sim(M0, M1) 进行比较。

4

实验

VGG-16在CIFAR-10上的实验结果

© THE END

转载请联系本公众号获得授权