神经网络稀疏性调研

背景

人工智能在诸多领域都取得了突破性进展，例如计算机视觉，nlp等。但是，各种机器学习模型存在一个很致命的问题：神经网络巨大的计算量+访存量，这对性能提出了较高的要求（能耗、延时、访存等）。一种可行的解决方案：充分利用机器学习模型中的稀疏性。所谓的稀疏性是指在计算中不必要，没用的计算。通过减少计算量，就可以保证降低不必要的存储和计算，提升机器学习模型部署时的性能。

稀疏性的分布

根据稀疏性的来源，我们可以基本分为以下几类。

• 科学计算和传统的机器学习
• 神经网络：神经网络（CNN，DNN）中存在大量的不需要计算的数据。例如大量的非零权重，dropout，一些典型模型构建和操作（如Relu，dropout）等操作将大量零值引入到activation中。为了解决这些不必要的计算，一些主流神经网络压缩技术（如稀疏化和量化）通过对神经网络模型参数的稀疏化来压缩模型大小。稀疏化就是跳过不必要的计算，包含剪枝。量化是指将需要浮点数表示的小数用int或者二值来表示。一般稀疏性分为权重和activation两种。
• 输入数据
  

CNNs

用于图像（自动驾驶）。CNN的特征是包括大量的全连接层（FC）和卷积层（Conv），前面的层提取低纬的信息（图像中物体的边缘），后面的层提取高维的信息（分类）。CNNs的稀疏性主要来源于

• 激活函数：例如relu会引入大量的中间变量的稀疏性。
• Dropout:这个是为了解决过拟合的问题。目前有target dropout和weight dropout等，这些会一如fc和conv的稀疏性。
• 参数的稀疏性：一般会利用一些剪枝的算法。根据剪枝出来的粒度可以分为

Structured sparsity / unstructured sparsity

结构化稀疏就是指我们需要剪掉的计算的分布是有一定规律的，这种对硬件更加友好，但是在影响模型的精度方面是有很大的负面影响的；非结构化稀疏是指我们需要剪掉的计算的分布没有什么规律，因此我们可以剪掉完全的0值，这样对精度的影响很小，但是这种会对硬件的加速非常不友好。
结构化稀疏根据粒度可以分为下面的几个方面：

• vector-level：它相对于细粒度更大，属于对卷积核内部的剪枝，例如剪掉一行或者一列。
• kernel-level：即去除某个卷积核的channel，它将丢弃对输入通道中对应计算通道的activation。<