01修建结构

1非结构化剪枝

1.1.1细粒度剪枝

细粒度剪枝是一种特定类型的剪枝方法，它指的是单个权重级别的剪枝。在细粒度剪枝中，模型中的每一个权重都会被独立地考虑是否需要被剪枝。这种方法的优点是可以非常精确地控制模型的大小和复杂性，因为可以精确地选择哪些权重需要被剪枝。然而，这也是一种计算复杂度较高的方法，因为需要对每一个权重都进行评估。

下面的代码直接对权重按绝对值大小来评估重要性，剪掉绝对值大小小的

以多层感知机(MLP)为例，下面是一个稍微复杂点的MLP

import torch.nn as nn
import torch
import numpy as np

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3, padding=1)  # 输入通道数为3，输出通道数为64，卷积核大小为3，padding为1
        self.bn1 = nn.BatchNorm2d(64)  # 批标准化层，输入通道数为64
        self.relu1 = nn.ReLU(inplace=True)  # ReLU激活函数，inplace=True表示直接修改输入的张量，而不是返回一个新的张量
        self.conv2 = nn.Conv2d(64, 64, kernel_size=3, padding=1)
        self.bn2 = nn.BatchNorm2d(64)
        self.relu2 = nn.ReLU(inplace=True)
        self.conv3 = nn.Conv2d(64, 128, kernel_size=3, padding=1)
        self.bn3 = nn.BatchNorm2d(128)
        self.relu3 = nn.ReLU(inplace=True)
        self.conv4 = nn.Conv2d(128, 128, kernel_size=3, padding=1)
        self.bn4 = nn.BatchNorm2d(128)
        self.relu4 = nn.ReLU(inplace=True)
        self.fc1 = nn.Linear(128 * 4 * 4, 1024)  # 全连接层，输入大小为128*4*4，输出大小为1024
        self.fc2 = nn.Linear(1024, 10)  # 全连接层，输入大小为1024，输出大小为10

    def forward(self, x):
        x = self.conv1(x)  # 第一层卷积
        x = self.bn1(x)
        x = self.relu1(x)
        x = self.conv2(x)  # 第二层卷积
        x = self.bn2(x)
        x = self.relu2(x)
        x = self.conv3(x)  # 第三层卷积
        x = self.bn3(x)
        x = self.relu3(x)
        x = self.conv4(x)  # 第四层卷积
        x = self.bn4(x)
        x = self.relu4(x)
        x = x.view(x.size(0), -1)  # 展平
        x = self.fc1(x)  # 第一个全连接层
        x = self.fc2(x)  # 第二个全连接层
        return x

接下来构建一个剪枝函数，输入是layer和prune_rate，指的是按多少比例去裁剪当前这个卷积层的权重

def prune_conv_layer(layer, prune_rate):
    ## 按比例prune掉当前卷积层的权重
    if isinstance(layer, nn.Conv2d): ## 检查对象是否是nn.Conv2d
       	##取到它里面的每一个权重，取权重里面的一个data(因为weight里面除了data还有梯度)，一个是数据一个是梯度
        ##然后运回cpu,然后用numpy做实现，后续讲解pytorch实现
        weights =  layer.weight.data.cpu().numpy()
        print(weights.shape)
        ##由于我们想按比例剪枝，所以先取weight里的元素，假设有15个，先排序
        ## 将这15个元素展成一维，然后排序，只取前80%，剪掉后面的20%
        num_weights = weights.size ## 计算大小
        num_prune = int(num_weights * prune_rate) ## 计算需要剪掉多少个元素，取整
        flat_weights = np.abs(weights.reshape(-1)) ## 将权重展平，并取绝对值
        treshold = np.sort(flat_weights)[num_prune] ## 找到下标是num_prune的元素，保留大于等于treshold的元素
        weights[abs(weights) < treshold] = 0## 将小于treshold的元素置为0
        ##将剪枝后的权重转换为torch张量并赋值给卷积层的权重
        layer.weight.data = torch.from_numpy(weights).to(layer.weight.device)
        

net = Net()
prune_rate = 0.2 ## 每一层都去掉20%
for layer in net.modules():##访问每一层
	prune_conv_layer(layer, prune_rate)

1.1.2向量剪枝

向量剪枝，是把当前权重的同一行，同一列全部剪掉，赋值为0

import numpy as np
import matplotlib.pyplot as plt

def vector_pruning(matrix, idx):
    #取到idx的row和col
    row, col = idx
    pruned_matrix = matrix.copy()
    #当前行和列都置为0
    pruned_matrix[row, :] = 0
    pruned_matrix[:, col] = 0
    return pruned_matrix

matrix = np.random.randn(3, 4)
idx = (1, 2)
# prune the matrix
pruned_matrix = vector_pruning(matrix, idx)
print(matrix)
print("")
print(pruned_matrix)

1.1.3卷积核剪枝(kernel level)

对卷积层进行剪枝，将一定比例的权重设置为0


# 5 * 4 * 3 * 3

def prune_conv_layer(layer, prune_rate):
    if isinstance(layer, nn.Conv2d): ## 检查对象是否是nn.Conv2d
        weights =  layer.weight.data.cpu().numpy()
        num_weights = weights.size ## 计算大小
        num_prune = int(num_weights * prune_rate) ## 计算需要剪掉多少个元素，取整
        #对每一组卷积计算L2范数，权重的平方求和，axis是需要求和的维度，5 * 4 * 3 * 3其中5是0维度
        norm_per_filter = np.sum(weight**2, axis = (1, 2, 3))#会得到5个值
        #根据L2范数排序，选择一定比例的filter,将里面的元素置为0
        #先对这5个数排序
        indices = np.argsort(norm_per_filter)[-num_prune:]
        print(indices)
        weight[indices] = 0;
        layer.weight.data = torch.from_numpy(weights).to(layer.weight.device)

下面给出一个例子

import torch
import numpy as np

#定义权重张量 （3 * 2 * 2）

weight1 = np.array([[3, 2],
                  [3, 4]])
weight2 = np.array([[5, 6],
                  [7, 8]])
weight3 = np.array([[9, 0],
                  [1, 2]])
weight = np.stack([weight1, weight2, weight3], axis = 0)
prune_rate = 2/3 # 要prune掉
print(weight.shape)
num_prune = int(weight.shape[0] * prune_rate)
l2norm_per_kernel = np.sqrt(np.sum(weight**2, axis = (1, 2)))
print(l2norm_per_kernel)
indices = np.argsort(l2norm_per_kernel)[:num_prune]
print(indices)
weight[indices]
print(weight)

结构化剪枝

可视化方法简介

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
#可视化函数
def visualize_tensor(tensor, batch_spacing=3):#batch_spacing用于控制可视化后张量与张量之间的间隔
    fig = plt.figure()#创建了一个新的空白图形窗口
    ax = fig.add_subplot(111, projection='3d')#在fig窗口上添加一个新的3d子图
    for batch in range(tensor.shape[0]): #遍历张量的第一个维度，称之为batch
        for channel in range(tensor.shape[1]): # 遍历第二个维度，称之为channel
            for i in range(tensor.shape[2]): # height
                for j in range(tensor.shape[3]): # width
                    #计算每个立方体在3d图形中的位置，位置由x，y，z三个坐标决定
                    #tensor.shape[3] 是 "width" 维度的大小
                    x, y, z = j + (batch * (tensor.shape[3] + batch_spacing)), i, channel
                    # 值为0是红色，否则为灰色
                    color = 'red' if tensor[batch, channel, i, j] == 0 else 'gray'
                    #bar3d用于绘制立方体，edgecolor是边缘颜色，alpha是透明度
                    ax.bar3d(x, z, y, 1, 1, 1, shade=True, color=color, edgecolor="black", alpha=0.9)
                    
    ax.set_xlabel('Width')
    # ax.set_ylabel('B & C')
    ax.set_zlabel('Height')
    #ax.set_zlim(ax.get_zlim()[::-1])：这个函数设置了 z 轴的范围。具体来说，ax.get_zlim() 获取了当前 z 轴的范围，然后 [::-1] 将这个范围反转。这意味着 z 轴的方向被反转，也就是说，较大的 "channel" 值将被显示在图形的下方，而较小的 "channel" 值将被显示在图形的上方。这样做的目的是为了使图形的显示更符合常规的 3D 观察习惯。
    ax.set_zlim(ax.get_zlim()[::-1])
    #控制 z 轴标签和 z 轴之间的距离，将其设置为 15 是为了确保 z 轴的标签有足够的空间显示，不会与图形元素重叠。
    ax.zaxis.labelpad = 15 # adjust z-axis label position
    
    plt.show()
    
    
def prune_conv_layer(conv_layer, prune_method, percentile=20, vis=True):
    pruned_layer = conv_layer.copy()    
    if prune_method == "fine_grained":
        pruned_layer[np.abs(pruned_layer) < 0.05] = 0
    if prune_method == "vector_level":
        #np.linalg.norm默认计算L2范数，计算L1范数可以这样写np.linalg.norm(x, ord=1)
        #axis=-1表示沿着最后一个维度来计算范数
        l2_sum = np.linalg.norm(pruned_layer, axis=-1)
    if prune_method == "kernel_level":
        # 计算每个kernel的L2范数
        l2_sum = np.linalg.norm(pruned_layer, axis=(-2, -1))
    if prune_method == "filter_level":
        # 计算每个filter的L2范数，因为np.linalg.norm无法对3维求范数
        # 这里先平方，再求和，只是没有开根
        l2_sum = np.sum(pruned_layer**2, axis=(-3, -2, -1))
    if prune_method == "channel_level":
        # 计算每个filter的L2范数
        l2_sum = np.sum(pruned_layer**2, axis=(-4, -2, -1))
        #这里对l2_sum做reshape是因为考虑的1/3/4维度，补上第一维度，后面mask才能正确索引
        # add a new dimension at the front
        l2_sum = l2_sum.reshape(1, -1)  # equivalent to l2_sum.reshape(1, 10)

        # repeat the new dimension 8 times
        #np.repeat是指沿着第一个轴（axis=0）重复 l2_sum，重复的次数是 pruned_layer 的第一个维度的长度
        l2_sum = np.repeat(l2_sum, pruned_layer.shape[0], axis=0)
    #np.percentile 是 numpy 库中的一个函数，它用于计算给定数据的指定百分位数。
    #例如，np.percentile(data, 25) 将会计算 data 的第25百分位数。
    #代码的意思是计算l2_sum里百分之percentile的数是多少
    threshold = np.percentile(l2_sum, percentile)
    #以threshold作为阈值如果 l2_sum 中的某个元素小于 threshold，那么对应位置的布尔值就会是 True；否则，它就会是 False。
    mask = l2_sum < threshold
    print(pruned_layer.shape)
    print(mask.shape)
    print("-----------------------------")
    #mask标记了哪些位置为0
    pruned_layer[mask] = 0
    if vis:
        visualize_tensor(pruned_layer)
    return pruned_layer
# 生成一个tensor
#uniform是指按照均匀分布生成随机浮点数
#np.random.uniform(low, high, size)是指生成最小值low，最大值high均匀分布的随机值
tensor = np.random.uniform(low = -1, high = 1, size = (3, 10, 4, 5))

# Prune the conv layer and visualize it
pruned_tensor = prune_conv_layer(tensor, "vector_level", vis=True)
pruned_tensor = prune_conv_layer(tensor, "kernel_level", vis=True)
pruned_tensor = prune_conv_layer(tensor, "filter_level", vis=True)
pruned_tensor = prune_conv_layer(tensor, "channel_level",percentile=40, vis=True)