刷新濾波器剪枝的SOTA效果，騰訊優(yōu)圖論文入選NeurIPS2020

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。

因此本文通過一種名為濾波器骨架(Filter Skeleton，F(xiàn)S)的模塊來顯性地學(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學(xué)習(xí)濾波器的形狀，并可以指導(dǎo)模型剪枝。

(3) 通過變換普通卷積為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：市場(chǎng)有風(fēng)險(xiǎn)，選擇需謹(jǐn)慎!此文僅供參考，不作買賣依據(jù)。

關(guān)鍵詞：