29.深度學(xué)習(xí)模型壓縮方法-3

29.1 后端壓縮

(1)低秩近似

  • 在卷積神經(jīng)網(wǎng)絡(luò)中责蝠,卷積運(yùn)算都是以矩陣相乘的方式進(jìn)行
  • 對(duì)于復(fù)雜網(wǎng)絡(luò)彤悔,權(quán)重矩陣往往非常大薯定,非常消耗存儲(chǔ)和計(jì)算資源
    • 低秩近似就是用若干個(gè)低秩矩陣組合重構(gòu)大的權(quán)重矩陣唾那,以此降低存儲(chǔ)和計(jì)算資源消耗庞钢。
事項(xiàng) 特點(diǎn)
優(yōu)點(diǎn) 可以降低存儲(chǔ)和計(jì)算消耗拔恰; 一般可以壓縮2-3倍;精度幾乎沒有損失基括;
缺點(diǎn) 模型越復(fù)雜颜懊,權(quán)重矩陣越大,利用低秩近似重構(gòu)參數(shù)矩陣不能保證模型的性能 ; 超參數(shù)的數(shù)量隨著網(wǎng)絡(luò)層數(shù)的增加呈線性變化趨勢(shì)河爹,例如中間層的特征通道數(shù)等等使鹅。 隨著模型復(fù)雜度的提升,搜索空間急劇增大昌抠。

(2)未加限制的剪枝

  • 完成訓(xùn)練后患朱,不加限制地剪去那些冗余參數(shù)。
事項(xiàng) 特點(diǎn)
優(yōu)點(diǎn) 保持模型性能不損失的情況下炊苫,減少參數(shù)量9-11倍裁厅; 剔除不重要的權(quán)重,可以加快計(jì)算速度侨艾,同時(shí)也可以提高模型的泛化能力执虹;
缺點(diǎn) 極度依賴專門的運(yùn)行庫和特殊的運(yùn)行平臺(tái),不具有通用性唠梨; 壓縮率過大時(shí)袋励,破壞性能;

(3)參數(shù)量化

  • 神經(jīng)網(wǎng)絡(luò)的參數(shù)類型一般是32位浮點(diǎn)型当叭,使用較小的精度代替32位所表示的精度茬故。或者是將多個(gè)權(quán)重映射到同一數(shù)值蚁鳖,權(quán)重共享
    • 量化其實(shí)是一種權(quán)值共享的策略
    • 量化后的權(quán)值張量是一個(gè)高度稀疏的有很多共享權(quán)值的矩陣磺芭,對(duì)非零參數(shù),我們還可以進(jìn)行定點(diǎn)壓縮醉箕,以獲得更高的壓縮率钾腺。
事項(xiàng) 特點(diǎn)
優(yōu)點(diǎn) 模型性能損失很小,大小減少8-16倍讥裤;
缺點(diǎn) 壓縮率大時(shí)放棒,性能顯著下降; 依賴專門的運(yùn)行庫己英,通用性較差间螟;
  • 最為典型就是二值網(wǎng)絡(luò)、XNOR網(wǎng)絡(luò)等剧辐。其主要原理就是采用1bit對(duì)網(wǎng)絡(luò)的輸入寒亥、權(quán)重、響應(yīng)進(jìn)行編碼
    • 減少模型大小的同時(shí)荧关,原始網(wǎng)絡(luò)的卷積操作可以被bit-wise運(yùn)算代替,極大提升了模型的速度
    • 但是褂傀,如果原始網(wǎng)絡(luò)結(jié)果不夠復(fù)雜(模型描述能力)忍啤,由于二值網(wǎng)絡(luò)會(huì)較大程度降低模型的表達(dá)能力
    • 因此現(xiàn)階段有相關(guān)的論文開始研究n-bit編碼方式成為n值網(wǎng)絡(luò)或者多值網(wǎng)絡(luò)或者變bit、組合bit量化來克服二值網(wǎng)絡(luò)表達(dá)能力不足的缺點(diǎn)

(4)二值網(wǎng)絡(luò)

  • 相對(duì)量化更為極致,對(duì)于32bit浮點(diǎn)型數(shù)用1bit二進(jìn)制數(shù)-1或者1表示同波,可大大減小模型尺寸
事項(xiàng) 特點(diǎn)
優(yōu)點(diǎn) 網(wǎng)絡(luò)體積小鳄梅,運(yùn)算速度快,有時(shí)可避免部分網(wǎng)絡(luò)的overfitting
缺點(diǎn) 二值神經(jīng)網(wǎng)絡(luò)損失的信息相對(duì)于浮點(diǎn)精度是非常大未檩;<br />粗糙的二值化近似導(dǎo)致訓(xùn)練時(shí)模型收斂速度非常慢

(5)三值網(wǎng)絡(luò)

事項(xiàng) 特點(diǎn)
優(yōu)點(diǎn) 相對(duì)于二值神經(jīng)網(wǎng)絡(luò)戴尸,三值神經(jīng)網(wǎng)絡(luò)(Ternary Weight Networks)在同樣的模型結(jié)構(gòu)下可以達(dá)到成百上千倍的表達(dá)能力提升;并且,在計(jì)算時(shí)間復(fù)雜度上冤狡,三元網(wǎng)絡(luò)和二元網(wǎng)絡(luò)的計(jì)算復(fù)雜度是一樣的孙蒙。例如,對(duì)于ResNet-18層網(wǎng)絡(luò)中最常出現(xiàn)的卷積核(3x3大小)悲雳,二值神經(jīng)網(wǎng)絡(luò)模型最多可以表達(dá)2的3x3次方(=512)種結(jié)構(gòu)挎峦,而三元神經(jīng)網(wǎng)絡(luò)則可以表達(dá)3的3x3次方(=19683)種卷積核結(jié)構(gòu)。在表達(dá)能力上合瓢,三元神經(jīng)網(wǎng)絡(luò)相對(duì)要高19683/512 = 38倍坦胶。因此,三元神經(jīng)網(wǎng)絡(luò)模型能夠在保證計(jì)算復(fù)雜度很低的情況下大幅的提高網(wǎng)絡(luò)的表達(dá)能力晴楔,進(jìn)而可以在精度上相對(duì)于二值神經(jīng)網(wǎng)絡(luò)有質(zhì)的飛躍顿苇。另外,由于對(duì)中間信息的保存更多税弃,三元神經(jīng)網(wǎng)絡(luò)可以極大的加快網(wǎng)絡(luò)訓(xùn)練時(shí)的收斂速度岖圈,從而更快、更穩(wěn)定的達(dá)到最優(yōu)的結(jié)果钙皮。

大數(shù)據(jù)視頻推薦:
網(wǎng)易云課堂
CSDN
人工智能算法競(jìng)賽實(shí)戰(zhàn)
AIops智能運(yùn)維機(jī)器學(xué)習(xí)算法實(shí)戰(zhàn)
ELK7 stack開發(fā)運(yùn)維實(shí)戰(zhàn)
PySpark機(jī)器學(xué)習(xí)從入門到精通
AIOps智能運(yùn)維實(shí)戰(zhàn)
騰訊課堂
大數(shù)據(jù)語音推薦:
ELK7 stack開發(fā)運(yùn)維
企業(yè)級(jí)大數(shù)據(jù)技術(shù)應(yīng)用
大數(shù)據(jù)機(jī)器學(xué)習(xí)案例之推薦系統(tǒng)
自然語言處理
大數(shù)據(jù)基礎(chǔ)
人工智能:深度學(xué)習(xí)入門到精通

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末蜂科,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子短条,更是在濱河造成了極大的恐慌导匣,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,423評(píng)論 6 491
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件茸时,死亡現(xiàn)場(chǎng)離奇詭異贡定,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)可都,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,147評(píng)論 2 385
  • 文/潘曉璐 我一進(jìn)店門缓待,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人渠牲,你說我怎么就攤上這事旋炒。” “怎么了签杈?”我有些...
    開封第一講書人閱讀 157,019評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵瘫镇,是天一觀的道長(zhǎng)。 經(jīng)常有香客問我,道長(zhǎng)铣除,這世上最難降的妖魔是什么谚咬? 我笑而不...
    開封第一講書人閱讀 56,443評(píng)論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮尚粘,結(jié)果婚禮上择卦,老公的妹妹穿的比我還像新娘。我一直安慰自己郎嫁,他們只是感情好秉继,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,535評(píng)論 6 385
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著行剂,像睡著了一般秕噪。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上厚宰,一...
    開封第一講書人閱讀 49,798評(píng)論 1 290
  • 那天腌巾,我揣著相機(jī)與錄音,去河邊找鬼铲觉。 笑死澈蝙,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的撵幽。 我是一名探鬼主播灯荧,決...
    沈念sama閱讀 38,941評(píng)論 3 407
  • 文/蒼蘭香墨 我猛地睜開眼,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼盐杂!你這毒婦竟也來了逗载?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,704評(píng)論 0 266
  • 序言:老撾萬榮一對(duì)情侶失蹤链烈,失蹤者是張志新(化名)和其女友劉穎厉斟,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體强衡,經(jīng)...
    沈念sama閱讀 44,152評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡擦秽,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,494評(píng)論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了漩勤。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片感挥。...
    茶點(diǎn)故事閱讀 38,629評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖越败,靈堂內(nèi)的尸體忽然破棺而出触幼,到底是詐尸還是另有隱情,我是刑警寧澤眉尸,帶...
    沈念sama閱讀 34,295評(píng)論 4 329
  • 正文 年R本政府宣布域蜗,位于F島的核電站巨双,受9級(jí)特大地震影響噪猾,放射性物質(zhì)發(fā)生泄漏霉祸。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,901評(píng)論 3 313
  • 文/蒙蒙 一袱蜡、第九天 我趴在偏房一處隱蔽的房頂上張望丝蹭。 院中可真熱鬧,春花似錦坪蚁、人聲如沸奔穿。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,742評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽贱田。三九已至,卻和暖如春嘴脾,著一層夾襖步出監(jiān)牢的瞬間男摧,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,978評(píng)論 1 266
  • 我被黑心中介騙來泰國(guó)打工译打, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留耗拓,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 46,333評(píng)論 2 360
  • 正文 我出身青樓奏司,卻偏偏與公主長(zhǎng)得像乔询,于是被迫代替她去往敵國(guó)和親。 傳聞我的和親對(duì)象是個(gè)殘疾皇子韵洋,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,499評(píng)論 2 348

推薦閱讀更多精彩內(nèi)容