作者 | VincentLee
来源 | 晓飞的算法工程笔记
在训练过程中，特征值梯度的回传和权值梯度的计算占了大部分的计算消耗。由于这两个操作都是以特征值梯度作为输入，而且零梯度不会占用计算资源，所以稀疏化特征值梯度可以降低回传阶段的计算消耗以及内存消耗。论文的目标在于高效地降低训练负载，从而在资源有限的平台进行大规模数据集的训练。
本论文假设特征值梯度服从正态分布，基于此计算阈值 ，随后使用随机剪枝算法(stochastic pruning)将小于阈值的特征值梯度随机置为零或 。经理论推理和实验证明，这种方法不仅能够有效地稀疏化特征值梯度，还能在加速训练的同时，不影响训练的收敛性。
General Dataflow
卷积层通常包含4个阶段：推理、特征值梯度回传、权值梯度计算和权值更新。为了表示这些阶段的计算，论文定义了一些符号：
卷积层的四个训练阶段的总结为：
论文通过可视化发现，回传阶段的特征值梯度几乎全是非常小的、接近于零的值，自然而然地想到将这些值去掉不会对权值更新阶段造成很大的影响，所以论文认为剪枝特征值梯度能够加速卷积层在训练时的计算。
Sparsification Algorithms
Distribution Based Threshold Determination (DBTD)
剪枝操作最关键的步骤是决定选择哪些元素进行消除，先前有研究使用最小堆进行元素选择，但这会带来较大的额外计算开销。为此，论文采用简单的阈值过滤进行元素选择。
论文首先分析了两种经典的卷积网络结构的特征值梯度分布：Conv-ReLU结构和Conv-BN-ReLU结构：
对于Conv-ReLU结构，输出的特征值梯度 是稀疏的，但其分布是无规律的，而结构的输入特征值梯度 几乎全是非零值。通过统计发现， 的分布以零值对称分布，且密度随着梯度值的增加而下降。
对于Conv-BN-ReLU结构，BN层设置在卷积层与ReLU层中间，改变了梯度的分布，且 的分布与 类似，。
所以，上述的两种结构的梯度都可认为服从零均值、方差为 的正态分布。对于Conv-ReLu结构，由于ReLU不会降低稀疏性， 能够继承 的稀疏性，将 是作为Conv-ReLU结构中的剪枝目标梯度 。而对于Conv-BN-ReLU结构，则将 作为剪枝目标 。这样，两种结构的剪枝目标都可统一为正态分布。假设 的数量为 ，可以计算梯度的绝对值的均值，并得到该均值的期望为：
这里的期望为从分布中采样 个点的期望，而非分布的整体期望，再定义以下公式
将公式2代入公式1中，可以得到：
从公式3可以看出 为参数 的无偏估计，接近于真实的均值，且 的整体计算消耗是可以接受的。基于上面的分析，论文结合正态分布的累积函数 、剪枝率 和 计算阈值 ：
Stochastic Pruning
剪枝少量值较小的梯度几乎对权值的更新没有影响，但如果将这些值较小的梯度全部设为零，则会对特征值梯度的分布影响很大，进而影响梯度更新，造成严重的精度损失。参考Stochastic Rounding算法，论文采用随机剪枝来解决这个问题。
随机剪枝逻辑如算法1所示，对于小于阈值 的梯度值，随机采样一个缩放权重来计算新阈值，再根据新阈值将梯度值置为零或 。
随机剪枝的效果如图2所示，能够在保持梯度分布的数学期望的情况下进行剪枝，与当前的方法相比，论文提出的方法的优点如下：
Lower runtime cost：DBTD的计算复杂度 小于top-k算法 ，且DBTD对硬件更友好，能够在异构平台实现。
Lower memory footprint：随机裁剪能保持收敛性，且不需要存储而外的内存。
至此，Sparsification Algorithms在梯度回传时的特征值梯度计算为：
实验结果
在CIFAR-10、CIFAR-100以及ImageNet上进行准确率验证。
在CIFAR-10和ImageNet上进行收敛性验证。
在不同的设备上进行加速效果验证。
结论
论文通过DBTD方法计算过滤阈值，再结合随机剪枝算法对特征值梯度进行裁剪，稀疏化特征值梯度，能够降低回传阶段的计算量，在CPU和ARM上的训练分别有3.99倍和5.92倍的加速效果。
论文提出的特征值稀疏化算法看似很简单，其实进行了充分的理论推导以及实验验证，才得到最终合理的过滤方法，唯一可惜的是没在GPU设备上进行实验验证。论文对算法的收敛性以及期望有详细的理论验证，不过这里没有列出来，有兴趣的可以去看看原文。
论文地址：
https://arxiv.org/abs/1908.00173
更多精彩推荐
1736
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
