近日，騰訊優(yōu)圖實(shí)驗(yàn)室在模型壓縮任務(wù)中獲得創(chuàng)新性突破，提出的基于濾波器骨架的逐條剪枝算法(Stripe-Wise Pruning，SWP)，刷新了濾波器剪枝的SOTA效果。相關(guān)論文(Pruning Filter in Filter)已被機(jī)器學(xué)習(xí)領(lǐng)域的國(guó)際頂級(jí)會(huì)議Conference on Neural Information Processing Systems(NeurIPS 2020)收錄。

圖1 Stripe-Wise Pruning與幾種主流Pruning方式的區(qū)別

神經(jīng)網(wǎng)絡(luò)的具有結(jié)構(gòu)和參數(shù)這兩個(gè)屬性，這兩個(gè)屬性都具有重要意義。本文指出神經(jīng)網(wǎng)絡(luò)的濾波器除了通常使用的參數(shù)屬性以外，還有一種形狀屬性。形狀屬性之前一直隱含在參數(shù)中，通過(guò)訓(xùn)練每個(gè)濾波器的參數(shù)使其獲得不同的形狀。濾波器的形狀屬性具有重要的意義。具有合適形狀的濾波器，即使參數(shù)是隨機(jī)的，也能具有較好的性能。

因此本文通過(guò)一種名為濾波器骨架(Filter Skeleton，F(xiàn)S)的模塊來(lái)顯性地學(xué)習(xí)濾波器的形狀(如圖中①)。當(dāng)訓(xùn)練結(jié)束，我們可以將FS乘回參數(shù)上，因此不會(huì)引入額外的參數(shù)(如圖中②)。

圖2 PFF方法流程示意圖

對(duì)于不在骨架上的參數(shù)，使用逐條裁剪的方法將其整條(stripe，1*1濾波器)裁剪掉。

具體的，首先通過(guò)卷積計(jì)算順序的變換，可以將濾波器從Filter wise等價(jià)變換為stripe wise(如圖中③)。接下來(lái)就可以使用正常的濾波器剪枝方法對(duì)其進(jìn)行裁剪(如圖中④)。

該方法的創(chuàng)新點(diǎn)包括：

(1) 提出濾波器除了參數(shù)屬性外，還存在形狀屬性，并且形狀屬性具有重要意義。

(2) 提出濾波器骨架的模塊來(lái)學(xué)習(xí)濾波器的形狀，并可以指導(dǎo)模型剪枝。

(3) 通過(guò)變換普通卷積為Stripe-Wise Convolution，結(jié)構(gòu)化的實(shí)現(xiàn)逐條剪枝后的模型。

逐條剪枝算法在CIFAR10和ImageNet數(shù)據(jù)集上達(dá)到了SOTA效果。

（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）