深度学习之模型轻量化

本文将介绍最近查阅的有关模型轻量化的相关内容及其方法。

1.网络剪枝

网络剪枝目的在于找出这些冗余连接并将其移除，使其不再参与网络的前向或后向运算过程中，起到减少网络计算量的作用，如下图所示。移除的神经元及相应连接也不再存储，减少了模型的存储量。在这个过程中，一个原本稠密的神经网络由于部分连接的移除而变得稀疏。

由于全连接层冗余度远远高于卷积层，传统的网络剪枝方法多用于全连接层中。网络剪枝往往针对已经训练好的模型进行，在得到训练好的模型后，根据某种评价标准定义每条连接的重要程度。一种广泛使用的评价标准是连接权重的绝对值大小，该值越小，说明对应的神经元对网络输出结果影响越小，属于不重要的神经元，应该被移除，对应的连接也应被剪除。虽然移除的连接不那么重要，但随着网络计算过程中的错误累积，网络性能和准确度依然会受到较大的影响，为了消除这些影响，一个很重要的步骤是对剪枝后的网络进行微调训练来恢复网络性能。整个网络剪枝和调优交替进行，直至达到模型大小与模型性能间的最佳平衡。

训练过程：训练->稀疏化->剪枝->微调

权重剪枝主要有两种方式：

（1）后剪枝：拿到一个模型直接对权重进行剪枝，不需要其他条件。

（2）训练时剪枝：训练迭代时边剪枝，使网络在训练过程中权重逐渐趋于0，但是由于训练时权重动态调整，使得剪枝操作对网络精度的影响可以减少，所以训练时剪枝比后剪枝更加稳定。

在剪枝结束后，权值矩阵由稠密矩阵变为稀疏矩阵。

为了减少参数的存储量，通常使用存储稀疏矩阵的压缩存储方式存储参数，代表方式为稀疏行压缩方法 (Compressed Sparse Row,CSR）和稀疏列压缩方法 (Compressed SparseColumn,CSC)。

 

2.权值量化

网络量化通过减少表示每个权重的比特数的方法来压缩神经网络。量化的思想就是对权重数值进行聚类。模型的权值参数往往以32位浮点数的形式保存，神经网络的参数，会占据极大的存储空间，因此，如果在存储模型参数时将 32 位浮点数量化为8位的定点数，可以把参数大小缩小为原来的1/4，整个模型的大小也可以缩小为原来的1/4，不仅如此，随着参数量化后模型的减小，网络前向运算阶段所需要的计算资源也会大大减少。

2.1量化有效原因：

1.量化相当于引入噪声，但CNN(卷积神经网络)对噪声不敏感。

2.位数减少后降低乘法操作，运算变快

3 .减少了访存开销（节能），同时所需的乘法器数目也减少（减少芯片面积）。

3.低秩分解

低秩分解的方法从分解矩阵运算的角度对模型计算过程进行了优化。通过使用线性代数的方法将参数矩阵分解为一系列小矩阵的组合，使得小矩阵的组合在表达能力上与原始卷积层基本一致，这就是基于低秩分解方法的本质。
 

3.1缺点：

1.低秩分解现并不容易，且计算成本高昂；

2.目前没有特别好的卷积层实现方式，而目前研究已知，卷积神经网络计算复杂度集中在卷积层；

3.低秩近似只能逐层进行，无法执行全局参数压缩。

4.知识蒸馏

使用一个大型预先训练的网络（即教师网络）来训练一个更小的网络(又名学生网络)。一旦对一个繁琐笨重的网络模型进行了训练，就可以使用另外一种训练（一种蒸馏的方式），将知识从繁琐的模型转移到更适合部署的小模型。

5.高效网络结构（重新构建轻量化网络）

GoogleNet使用了Inception模块而不再是简单的堆叠网络层从而减小了计算量。ResNet 通过引入瓶颈结构取得了极好的图像识别效果。ShuffleNet结合了群组概念和深度可分离卷积，在ResNet上取得了很好的加速效果。MobileNet采用了深度可分离卷积实现了目前的最好网络压缩效果。

5.1优点：

1.减小卷积核大小

2.减少通道数

3.减少filter数目

4.池化操作

主流轻量化框架：

1. queezeNet：SqueezeNet 是一个基于 Fire 模块的轻量化卷积神经网络，具有模型大小小、计算速度快的特点。它的设计思想是通过减少网络参数数量和计算量来实现轻量化，同时保持较高的准确率。

2. CondenseNet：CondenseNet 是一个基于稀疏连接和网络压缩的轻量化卷积神经网络，具有模型大小小、计算速度快的特点。它通过将冗余的连接删除和通道压缩来减少网络参数数量和计算量，同时保持较高的准确率。

3. MobileNetV2：MobileNetV2 是 MobileNet 的改进版，具有更高的准确率和更快的计算速度。它采用了倒残差结构和线性瓶颈结构来提高模型效率和准确率。

4. EfficientNet：EfficientNet 是一系列基于自动化网络缩放的轻量化卷积神经网络，具有模型大小小、计算速度快和较高的准确率。它通过自动调整网络深度、宽度和分辨率来实现轻量化，同时保持较高的准确率。