非结构化剪枝可获得更高的剪枝率与精度,但是其非结构化特征带来的随机连接使得往往需要专门的软、硬件设计来支持其推理加速,而在现有的边缘硬件上难以满足其应用条件。鉴于此,目前在剪枝领域的研究多集中在结构化剪枝上,如图1.11中所示,右侧三列均属于结构化剪枝的范畴,区别仅在于所选择的剪枝粒度不同。
在本文的研究中主要关注的是卷积核(Filter)剪枝,在一些工作中将与卷积核剪枝有同样效果的剪枝粒度称为通道(Channel)剪枝,两者的区别在于剪枝时所选用的评估指标不同,但剪枝之后最终呈现的效果依然是相同的。例如卷积核剪枝是直接评估卷积层中卷积核的重要性程度,随后剪去筛选出的不重要卷积核以及对应该卷积核的通道;而通道剪枝则是先根据某一评估指标筛选出不重要的通道,再剪去该不重要通道对应的卷积核,例如[103]、[105]以及[107]等工作均属于该类型。卷积核剪枝与Kernel剪枝也同样有联系,如前所述,卷积核剪枝首先会筛选出当前层中不同要的卷积核,随后剪枝,但需要注意到,该层的卷积核剪枝还会影响到下一层的卷积核中的Kernel,因为下一层卷积核的Kernel数是与上一层的输出通道数对应的,两者需要同时改变。
在结构化剪枝方案中,根据评估指标来源所划分的两类剪枝方法,即参数驱动的与数据驱动的方法,鉴于数据驱动的剪枝方案多依赖于训练数据,并根据不同的输入数据计算对应的梯度或损失值等来作为评估依据,相较于参数驱动的方法往往存在更多的计算;同时,参数驱动的方法大多从权值等模型自身数据特征的