模型优化算法——AutoSlim

概述

AutoSlim是一种one-shot模型优化方法，只要给定网络类型（如MobileNet-v1，ResNet50），给定限制条件（如Flops、latency等），就能自动决定每一层的通道数，以达到最优的模型精度。该优化方法打破了人工设计模型的“half size， double channel”的假设，解决了需要人为评估模型每一层敏感度，人为设置剪枝层/剪枝层类型的痛点，降低了使用剪枝技术的门槛和学习成本。

AutoSlim的算法流程图如下：

1. 需要给出一个网络结构

2. 训练一个slimmable model作为supernet，这里的slimmable model是指nonuniform universally slimmable networks，即所有层的通道不是通过一个统一的width ratio来进行调节。训练的epochs数大约为常规训练的20%-50%。

3. 在验证集上，采用贪婪的方式，使用已训练好的supernet进行前向推理，迭代评估，最后找到满足限制条件，同时精度降低最小的网络，这个网络成为子网。更具体的说，greedily slim是指在一次迭代中，将每一层的通道进行分组，每一组是一个channel bin，尝试剪去每一层的最后一个channel bin，查看前向推理精度，精度最高的那层剪去最后一个channel bin，如此循环，直到满足限制条件。通过分组的方式可以减小搜索空间。

4. 重新训练一个或多个子网。

该算法基于一个假设：作为supernet的slimmable model可以作为已知通道配置的独立训练的网络的精度评估器。

slimmable networks原理

AutoSlim在slimmable networks的基础上发展起