模型压缩(0) - background

模型压缩出了一系列文章，包括 MobileNet，Xception，ShuffleNet，SqueezeNet等，对相关论文进行阅读与总结。

 

CNN模型设计研究点

• 模型压缩：

  对pre-trained的模型进行压缩，使其变成小模型，如采用网络剪枝和量化等

• layer优化：

  采用1x1的小卷积核，可分解卷积(factorized convolution)结构，模块化结构(blocks, modules)

• 网络架构设计与优化：

  网络深度、Resnet残差连接(bypass connection, shortcut)

• 组合优化：

  不同超参数、网络结构、优化其等的组合优化

 

 

模型压缩Background

增加网络的深度有利于提高Accuracy

在Accuracy接近的情况下，参数量少的模型更有优势：

• 高效的分布式训练：

  服务器间通信影响分布式CNN训练的computation performance, 小模型对通信需求低

• 减少通信开销：

  自动驾驶等应用中经常要更新模型，小的model需要的额外通信开销小，更容易更新

• 减小内存消耗：

  利于在小内存的硬件上部署，如FPGA

 

常见模型压缩技术

• 奇异值分解 (Singular Value Decomposition, SVD)
• 网络剪枝(Network Pruning):

  网络剪枝和稀疏矩阵(调整卷积方式)

  通过dropout，L1/L2-regularization等能产生权重稀疏性的方法训练体积和密度都很大的网络，

  把网络中贡献小(也就是被稀疏过)的权重裁剪掉，相当于去除一些冗余连接，

  最后对模型做一下fine-tune，得到30%的压缩率。但是效率提高上不适合大多数通用CPU，

  因为存储不连续，索引权重时容易发生Cache miss，得不偿失。

• 深度压缩(Deep Compression):

  网络剪枝、数字化(quantization)、Huffman编码

• 硬件加速器 (Hardware Accelerator)

 

 

Reference

CNN网络优化学习总结——从MobileNet到ShuffleNet