27.深度學(xué)習(xí)模型壓縮方法-1

  • 目前深度學(xué)習(xí)模型壓縮方法主要分為更精細(xì)化模型設(shè)計(jì)对雪、模型裁剪河狐、核的稀疏化、量化、低秩分解馋艺、遷移學(xué)習(xí)等方法栅干,而這些方法又可分為前端壓縮和后端壓縮

27.1 前端壓縮和后端壓縮對(duì)比

對(duì)比項(xiàng)目 前端壓縮 后端壓縮
含義 不會(huì)改變?cè)季W(wǎng)絡(luò)結(jié)構(gòu)的壓縮技術(shù) 會(huì)大程度上改變?cè)季W(wǎng)絡(luò)結(jié)構(gòu)的壓縮技術(shù)
主要方法 知識(shí)蒸餾、緊湊的模型結(jié)構(gòu)設(shè)計(jì)捐祠、濾波器層面的剪枝 低秩近似碱鳞、未加限制的剪枝、參數(shù)量化踱蛀、二值網(wǎng)絡(luò)
實(shí)現(xiàn)難度 較簡(jiǎn)單 較難
是否可逆 可逆 不可逆
成熟應(yīng)用 剪枝 低秩近似窿给、參數(shù)量化
待發(fā)展應(yīng)用 知識(shí)蒸餾 二值網(wǎng)絡(luò)

27.2 網(wǎng)絡(luò)剪枝

深度學(xué)習(xí)模型因其稀疏性,可以被裁剪為結(jié)構(gòu)精簡(jiǎn)的網(wǎng)絡(luò)模型率拒,具體包括結(jié)構(gòu)性剪枝與非結(jié)構(gòu)性剪枝崩泡。

事項(xiàng) 特點(diǎn) 舉例
非結(jié)構(gòu)化剪枝 通常是連接級(jí)、細(xì)粒度的剪枝方法猬膨,精度相對(duì)較高角撞,但依賴于特定算法庫(kù)或硬件平臺(tái)的支持 Deep Compression, Sparse-Winograd算法等;
結(jié)構(gòu)化剪枝 是filter級(jí)或layer級(jí)寥掐、粗粒度的剪枝方法靴寂,精度相對(duì)較低,但剪枝策略更為有效召耘,不需要特定算法庫(kù)或硬件平臺(tái)的支持百炬,能夠直接在成熟深度學(xué)習(xí)框架上運(yùn)行。 如局部方式的污它、通過(guò)layer by layer方式的剖踊、最小化輸出FM重建誤差的Channel Pruning, ThiNet, Discrimination-aware Channel Pruning ;全局方式的衫贬、通過(guò)訓(xùn)練期間對(duì)BN層Gamma系數(shù)施加L1正則約束的Network Slimming德澈;全局方式的、按Taylor準(zhǔn)則對(duì)Filter作重要性排序的Neuron Pruning 固惯;全局方式的梆造、可動(dòng)態(tài)重新更新pruned filters參數(shù)的剪枝方法
  • 如果按剪枝粒度分,從粗到細(xì)葬毫,可分為中間隱含層剪枝镇辉、通道剪枝、卷積核剪枝贴捡、核內(nèi)剪枝忽肛、單個(gè)權(quán)重剪枝。下面按照剪枝粒度的分類(lèi)從粗(左)到細(xì)(右)烂斋。



    (a)層間剪枝 (b)特征圖剪枝 (c)k*k核剪枝 (d)核內(nèi)剪枝

事項(xiàng) 特點(diǎn)
單個(gè)權(quán)重粒度 早期 Le Cun[16]提出的 OBD(optimal brain damage)將網(wǎng)絡(luò)中的任意權(quán)重參數(shù)都看作單個(gè)參數(shù),能夠有效地提高預(yù)測(cè)準(zhǔn)確率,卻不能減小運(yùn)行時(shí)間;同時(shí),剪枝代價(jià)過(guò)高,只適用于小網(wǎng)絡(luò)
核內(nèi)權(quán)重粒度 網(wǎng)絡(luò)中的任意權(quán)重被看作是單個(gè)參數(shù)并進(jìn)行隨機(jī)非結(jié)構(gòu)化剪枝,該粒度的剪枝導(dǎo)致網(wǎng)絡(luò)連接不規(guī)整,需要通過(guò)稀疏表達(dá)來(lái)減少內(nèi)存占用,進(jìn)而導(dǎo)致在前向傳播預(yù)測(cè)時(shí),需要大量的條件判斷和額外空間來(lái)標(biāo)明零或非零參數(shù)的位置,因此不適用于并行計(jì)算
卷積核粒度與通道粒度 卷積核粒度與通道粒度屬于粗粒度剪枝,不依賴任何稀疏卷積計(jì)算庫(kù)及專用硬件;同時(shí),能夠在獲得高壓縮率的同時(shí)大量減小測(cè)試階段的計(jì)算時(shí)間.由
  • 從剪枝目標(biāo)上分類(lèi)屹逛,可分為減少參數(shù)/網(wǎng)絡(luò)復(fù)雜度础废、減少過(guò)擬合/增加泛化能力/提高準(zhǔn)確率、減小部署運(yùn)行時(shí)間/提高網(wǎng)絡(luò)效率及減小訓(xùn)練時(shí)間等罕模。

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(kāi)發(fā)運(yùn)維實(shí)戰(zhàn)
PySpark機(jī)器學(xué)習(xí)從入門(mén)到精通
AIOps智能運(yùn)維實(shí)戰(zhàn)
騰訊課堂
大數(shù)據(jù)語(yǔ)音推薦:
ELK7 stack開(kāi)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(yǔ)言處理
大數(shù)據(jù)基礎(chǔ)
人工智能:深度學(xué)習(xí)入門(mén)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:七十年代末评腺,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子手销,更是在濱河造成了極大的恐慌歇僧,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)生了三起死亡事件锋拖,死亡現(xiàn)場(chǎng)離奇詭異,居然都是意外死亡祸轮,警方通過(guò)查閱死者的電腦和手機(jī)兽埃,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(mén),熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái)适袜,“玉大人柄错,你說(shuō)我怎么就攤上這事】嘟矗” “怎么了售貌?”我有些...
    開(kāi)封第一講書(shū)人閱讀 157,019評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長(zhǎng)疫萤。 經(jīng)常有香客問(wèn)我颂跨,道長(zhǎng),這世上最難降的妖魔是什么扯饶? 我笑而不...
    開(kāi)封第一講書(shū)人閱讀 56,443評(píng)論 1 283
  • 正文 為了忘掉前任恒削,我火速辦了婚禮,結(jié)果婚禮上尾序,老公的妹妹穿的比我還像新娘钓丰。我一直安慰自己,他們只是感情好每币,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(kāi)白布携丁。 她就那樣靜靜地躺著,像睡著了一般兰怠。 火紅的嫁衣襯著肌膚如雪梦鉴。 梳的紋絲不亂的頭發(fā)上,一...
    開(kāi)封第一講書(shū)人閱讀 49,798評(píng)論 1 290
  • 那天痕慢,我揣著相機(jī)與錄音尚揣,去河邊找鬼。 笑死掖举,一個(gè)胖子當(dāng)著我的面吹牛快骗,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 38,941評(píng)論 3 407
  • 文/蒼蘭香墨 我猛地睜開(kāi)眼方篮,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼名秀!你這毒婦竟也來(lái)了?” 一聲冷哼從身側(cè)響起藕溅,我...
    開(kāi)封第一講書(shū)人閱讀 37,704評(píng)論 0 266
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤匕得,失蹤者是張志新(化名)和其女友劉穎,沒(méi)想到半個(gè)月后巾表,有當(dāng)?shù)厝嗽跇?shù)林里發(fā)現(xiàn)了一具尸體汁掠,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,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集币,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了考阱。 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。...
    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鞠苟,死狀恐怖乞榨,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情当娱,我是刑警寧澤吃既,帶...
    沈念sama閱讀 34,295評(píng)論 4 329
  • 正文 年R本政府宣布,位于F島的核電站跨细,受9級(jí)特大地震影響鹦倚,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜扼鞋,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,901評(píng)論 3 313
  • 文/蒙蒙 一申鱼、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧云头,春花似錦捐友、人聲如沸。這莊子的主人今日做“春日...
    開(kāi)封第一講書(shū)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(yáng)。三九已至昏滴,卻和暖如春猴鲫,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背谣殊。 一陣腳步聲響...
    開(kāi)封第一講書(shū)人閱讀 31,978評(píng)論 1 266
  • 我被黑心中介騙來(lái)泰國(guó)打工拂共, 沒(méi)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,地道東北人姻几。 一個(gè)月前我還...
    沈念sama閱讀 46,333評(píng)論 2 360
  • 正文 我出身青樓宜狐,卻偏偏與公主長(zhǎng)得像势告,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)殘疾皇子抚恒,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