初入神经网络剪枝量化3（大白话）

最新推荐文章于 2024-06-21 10:07:55 发布

RANKING666

最新推荐文章于 2024-06-21 10:07:55 发布

阅读量2.7k

点赞数

文章标签：神经网络剪枝人工智能

本文链接：https://blog.csdn.net/weixin_42638415/article/details/121325279

版权

剪枝

1.1 MetaPruning: Meta Learning for Automatic Neural Network Channel Pruning

该论文提出了一种使用元学习(meta learning)来实现深度神经网络剪枝的策略。

什么是元学习？

一句话来说，机器学习是让机器学习，元学习是让机器学会如何学习。

听起来很厉害，实际上我个人认为意义不是特别大，因为元学习通过学习超参数来实现所谓的机器学会了如何学习，但是元学习本身在训练时也需要人工手动设置参数，更像一种无限套娃的感觉。

本文的特别之处，我认为主要不在元学习，而是进化算法的使用。

anyway，本论文就是首先训练一个元网络PruningNet，实现我们提供给定目标网络框架，从而得到网络权值参数。提供的网络框架也就是，有多少层，每一层多少个卷积核，卷积步长之类。我们不可能把所有的情况都一一列出并训练，不太现实。

所以这里采用随机抽样的方法，随机从网络框架中抽取一定量的网络结构，得到网络权值参数。之后通过进化算法得到最优的网络结构，实现不用微调的剪枝结构。

什么是进化算法？

物竞天择，适者生存，大自然的进化规律。自然界会淘汰掉不好的，好的自然会留下，同时好的之间互相交配，同时产生变异，交配和变异中好的也就相当于进化，而不好的再被自然界淘汰。以此，不断进化，最终得到的物种必定是最好的。

本文呢，也就是将送入元网络中的网络框架作为基因(gene)，我们取准确率较高的一定数量的网络框架，作为好的保留，在这些好的之间，进行交叉和变异，交叉也就是两个好的网络框架中互相交换某些参数，变异就是网络框架中随机改变某些参数值，再送入元网络中训练，以此循环，最终得到最优网络框架。

本文大体就如上述，接下来聊聊细节。

传统的剪枝算法一般有三个步骤，稀疏训练，剪枝，微调。本论文发现微调会耗费大量的计算量。同时，通过最新研究发现，信道剪枝本质是找到良好的修剪结构-分层的信道数。所以本文提出了一种不用微调的剪枝方法，也就是通过元学习，搜索网络剪枝的结构，来直接得到剪枝结构的网络权重。

需要注意的是，这里还有一个优势，就是我们选择好的剪枝结构的标准是可以按照我们的要求来加的，这里还是比较方便。

由于网络规模一般都很大，所以不可能穷举出所有的情况。故采用进化算法，原理就是上面提到的，来得到最优的剪枝网络结构。

这篇论文的结构还是非常巧妙，网络每一层的权值都是相互关联不可分割的，所以剪枝重要的应该是网络结构的调整，相对于通过每一层的权值的重要性来裁剪，我认为更合理一些。

1.2 EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning

这篇论文，首先提出了两个非常重要的问题。

1. 在传统的剪枝算法中，我们都是剪枝不重要的，重要性低的通道，那为什么模型还是会有明显的精度下降。

2. 剪枝后的精度是否与微调后的精度为正相关？或者说有多强的正相关？也就是说，他们是否有关联？

这篇论文，认为DNN剪枝本质就是搜索问题，从所有合法的剪枝策略中，搜索到最优的剪枝策略。

那我们如何评价哪个剪枝策略更好呢？当然是准确率。那么剪枝过后的网络，再通过微调，时间成本过大。EagleEye提出一种快速并且准确衡量子网络性能的方法，加快剪枝的过程。

首先，我们来看看，剪枝后的精度与微调后的精度是否为正相关。

看左图，很明显，不相关，剪枝后精度本来低的，微调后精度不一定高。但是，我们看右图微调过后的权重也就是相当于做一个简单的移动。这说明什么？既然权重没发生太大变化，而精度却产生非常大的差异，那说明不是权重的问题，而是BN层的问题。也即是BN层的参数与权值不匹配。所以我们只需对BN层做简单的操作，也就是原本是对权值进行微调，现在就是对于BN层的参数进行微调。

这就是论文的创新之处。论文提出的思路是将网络中的其他参数冻住，然后利用训练集的样本进行前向计算，修正“继承”来的BN层参数。最终实现将微调后的模型与剪枝后的模型形成正相关。