论文笔记：DeepRebirth——从非权重层入手来进行模型压缩

最新推荐文章于 2023-12-27 17:58:34 发布

小时候贼聪明

最新推荐文章于 2023-12-27 17:58:34 发布

阅读量3.3k

点赞数 3

分类专栏：学习笔记论文 deeplearning 论文笔记文章标签：深度学习压缩论文笔记

本文链接：https://blog.csdn.net/wspba/article/details/76098493

版权

deeplearning 同时被 3 个专栏收录

41 篇文章 31 订阅

订阅专栏

论文

27 篇文章 2 订阅

订阅专栏

论文笔记

22 篇文章 43 订阅

订阅专栏

前言

因为最近都在关注深度学习模型压缩相关的工作，所以今天给大家介绍的也是一篇关于模型压缩的方法。这是一篇非常有意思的工作，来自于三星研究院在ICLR2017上发表的论文：DeepRebirth: A General Approach for Accelerating Deep Neural Network Execution on Mobile Devices。常用的模型压缩手段往往是从网络的参数，也就是weight入手（可以参考本人之前的几篇关于模型压缩方法的综述性博文），因为weight占用了大量的计算资源和存储空间，这往往是最直接有效的。而本文却另辟蹊径，从非权重层入手来进行模型压缩。

动机

作者认为，目前常用的模型，如ResNet、GoogLenet等的卷积层都是由很小的卷积核组成，本身就非常紧致了，并且也去掉了非常占参数量的全连接层。而Non-tensor layer（也就是非权重层，如pooling、BN、LRN、ReLU等等）反而成为了模型在cpu以及其他嵌入式硬件上达到real-time的最大阻碍，见下图表：
这里写图片描述

可见无论在哪一种硬件平台上，这些Non-Tensor层都占用了非常多的运行时间。因此作者认为，如果能够找到一种方法将这些Non-Tensor层剔除，就能够大幅度的提升模型的运算时间。

方法

作者提出了两种剔除Non-Tensor层的方法：StreamLine Merging和Branch Merging，如下图：

StreamLine Merging

所谓的StreamLine，流水线，顾名思义，就是将这一连串的层合并起来，如上图，作者将这里的Non-Tensor层（Pooling、LRN）与它们相邻近的Tensor层（Conv）合并在一起，合并的方式也非常简单粗暴：对于Pooling层，将stride直接乘到Conv层中，然后将Pooling去掉；对于其他非Pooling层，如BN、LRN、ReLU直接去掉。如上图中，这样一个合并的过程将运行时间153.8ms降到了16.6ms。
Branch Merging

这种融合主要针对GoogLeNet中的Inception结构。GoogLeNet虽然参数比较少，但是由于细小层比较多，参数比较碎，因此运行起来速度也收到了一些阻碍。作者将比较细小的卷积层（1*1）以及Pooling层所在的分支，直接合并到和它并排的大卷积分支中，而合并后的分支的输出通道也进行了相应的增加。考虑到大卷积（3*3或5*5）的输出通道增加，会增大参数量和运算量，因此作者又将这些分支的输入通道进行了一定的缩减，以达到一个降低参数量和运算量的作用。

以上两种方法就是作者提出的将Non-Tensor层搞掉的方法，但是搞掉之后，模型的性能必然会降低（实验都是在预训练模型的基础上进行的），因此作者在这里使用一个retraining的方式来恢复性能，这个retraining的方式也其他模型压缩方法中所用到的retraining都有一些不同。对于一个预训练模型，作者逐层进行合并，合并得到的新层使用标准的初始化方式，其他层的参数保留原预训练模型的参数，然后将新层的学习率调高为其他层的10倍，进行finetuning，对于某些层，如GoogLenet中的Inception 4b-4d可以一起进行合并在finetuning。

实验结果

作者使用GoogLenet在ImageNet上的结果如下表：
这里写图片描述
在经过一系列的合并之后，模型的准确率仅仅降低了0.4%。那么加速效果如何呢：

上表是作者在Samsung Galaxy S5上测试得到的结果，发现经过这一系列的合成，将运行所消耗的时间降低了3倍以上，并且这个合并的方法也可以和之前的一种叫做Tucker分解的方法一起使用，可以将时间消耗降低到6倍以上。

在不同硬件平台上的效果：
这里写图片描述
我们发现，由于GPU（Titan X）强大的计算性能，这些Non-Tensor层所带来的时间消耗可能看不出来什么，但是在便携式的硬件平台上，如手机，这加速的效果就非常明显了。这也使得深度学习模型能在便携式硬件上达到real-time又更近了一步。

总结

本文确实是一篇非常有意思的论文，也是一项很有启发性的工作，我们在设计模型包括压缩和使用模型时，不能光考虑理论计算量，还应该考虑到硬件特性、带宽等因素，就比如在这里，Pooling层本来没有任何参数，不会带来任何的理论计算量，但是在CPU上却会带来额外的时间消耗。但是本文这种retraining的方式可能会给模型的性能大打折扣，因为新合并的层需要重新进行训练，虽然其它层的参数以及达到了一个非常好的状态，但是这个新的合并层能训到一个什么样的效果，在这里还是持怀疑态度。不过总的来说，这篇文章无论是从创新点还是实用性上，都是一项非常有意义的工作。