2017CS231n笔记_S15深度学习的方法和硬件

最新推荐文章于 2022-09-18 16:50:18 发布

KKALL1314

最新推荐文章于 2022-09-18 16:50:18 发布

阅读量487

点赞数

分类专栏：人工智能

本文链接：https://blog.csdn.net/KKALL1314/article/details/104271978

版权

人工智能专栏收录该内容

17 篇文章 2 订阅

订阅专栏

S15.0前言

深度学习正在改变我们的生活，例如自动驾驶，机器翻译，AlphaGo，智能机器人等。目前深度学习的趋势是为了实现更高的准确率，学习模型变得越来越大。大型深度模型就遇到了以下挑战：

模型大小：深度模型越来越庞大，很难应用到手机设置上。并且要通过无线来更新模型。
速度：对于图像分类任务来说，准确率越来越高，但模型的训练时间也来越长。
能效：对于AlphaGo，每一局游戏，会花费3000美元的电费；对于手机，消耗电池；对于数据中心，会增加TCO。越大的模型，会有更大的内存占用，就会耗费更多的能量。

本节将会通过软件硬件的共同设计来改进深度学习的效率。共分为4个部分：算法-推断；硬件-推断；算法-训练；硬件-训练。

S15.1Algorithms for Efficient Inference

有助于模型进行有效地推断方法有剪枝Pruning，权重共享Weight Sharing，哈夫曼编码，量化Quantization，低秩近似Low Rank Approximation，Binary / Ternary Net和Winograd Transformation。下面对这些方法进行简要描述。

剪枝Pruning：该方法步骤是：训练权重；剪掉连接；再次训练。该方法能在保证模型准确率不降的情况下，显著减少模型的参数，甚至剪枝之后的模型分类等效果更好。相关论文"Deep Visual-Semantic Alignments for Generating Image Descriptions"，[Han et al. NIPS’15]。

权重共享Weight Sharing：该方法过程如下图所示，首先对权重进行聚类，然后生成Code Book，接着使用Code Book量化权重，最后重新训练。量化之后，权重从连续值变为离散值。可能之前权重占用32 bit float，量化之后权重占用2 bit unit，这能够减少模型的内存占用。相关论文[Han et al. ICLR’16]

哈夫曼编码：对量化后的离散权重编码，对于频率高的权重，使用更少的bit来表示，对于频率低的权重，使更多的bit来表示。

深度模型压缩：使用剪枝，权重共享和哈夫曼编码能够对深度模型进行压缩，如图所示。能够对模型进行有效压缩。相关论文"SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size"。深度模型压缩方法已经应用导工业上了。

量化Quantization：量化权重和激活值，方法是得到权重和激活值的统计值，选择合适的基点位置进行调整。方法是，首先模型进行训练，然后再量化，接着以float格式进行微调，最后转化为定点格式。相关论文"Going Deeper with Embedded FPGA Platform for Convolutional Neural Network"，"Trained Ternary Quantization"。

低秩近似Low Rank Approximation：实践证明，可以将一个卷积层拆分成两步卷积。前面一个卷积，后接一个1*1卷积。这像是把一个复杂问题分成两个独立的小问题。下图给出对于卷积层的低矩秩近似过程。在没有破坏准确性的情况下，速度提升到两倍。相关论文"Efficient and Accurate Approximations of Nonlinear Convolutional Networks "。该方法也同样适用于全连接层。相关论文"Tensorizing Neural Networks"。

Binary / Ternary Net：使用2个或3个权重来表示一个神经网络，即使用一个二元权重或者三元权重(权重值只有-1，0，1)。在训练时，使用完整的权重，在推断时，使用三元权重，这样做效率很高，同时使模型变得更小。相关论文"Tensorizing Neural Networks"。

Winograd Transformation：相关论文"Convolution OPTIMIZATION: Winograd"，"Fast Algorithms for Convolutional Neural Networks"。

S15.2Hardware for Efficient Inference

对于深度学习，进行有效推断的硬件：Eyeriss-MIT-RS Dataflow，DaDiannao-CAS-eDRAM，TPU-Google-8-bit Integer，EIE-Stanford-Compression/Sparsity。这些硬件的共同目标是最小化内存访问从而节省耗能。

S15.3Algorithms for Efficient Training

有助于模型进行有效地训练方法有并行化，混合精度训练，模型精馏和密-疏-密训练。下面对这些方法进行简要描述。

并行化Parallelization：并行化分为数据并行，模型并行(将模型进行分离)等等。数据并行是指并行运行多个训练样本，但这个受批处理大小的限制。模型并行是指在多个处理器上的分割模型，可以按层，按映射区域的Conv层，按输出激活的全连接层。相关论文"High Performance Hardware for Machine Learning"。

混合精度训练Mixed Precision with FP16 and FP32：从32位浮点数到16位浮点数，可以节省4倍的能耗。在训练时，在某些计算使用16位，某些计算使用32位。相关论文"Training with mixed precision"。

模型精馏Model Distillation：使用集成思想，将大型网络GoogleNet，VGG，Resnet作为老师模型，去指导更小的初级的神经网络(学生模型)，使它们可以表现出高级网络的效果。

密-疏-密训练(Dense-Sparse-Dense Training,DSD)：这是对于深度神经网络来说更好的正则化技术。如下图所示。首先对网络进行剪枝，减少权重数量，但仍然能保持预测精度。接着，复原和重新训练标红的权重，使得模型更强大。就像首先学习树干，然后逐渐增加叶子，全部一起学习。在ImageNet，该方法提高了1%-4%的准确率。相关论文"DSD: Dense-Sparse-Dense Training for Deep Neural Networks"。DSD模型网址https://songhan.github.io/DSD/。