0
| 本文作者： 叢末 | 2019-05-29 10:50 | 專題：CVPR 2019 |
雷鋒網 AI 科技評論按：百度關于網絡壓縮和加速的論文《 Filter Pruning via Geometric Median for Deep Convolutional Neural Networks Acceleration》被 CCF A 類學術會議 CVPR 2019 收錄為 Oral 論文，這篇論文提出了新的基于濾波器的幾何中心（geometric median）的剪枝算法，來對神經網絡進行壓縮和加速。本文是論文作者之一何洋為雷鋒網 AI 科技評論提供的論文解讀。
論文地址： https://arxiv.org/pdf/1811.00250.pdf
Github 地址： https://github.com/he-y/filter-pruning-geometric-median
卷積神經網絡(CNN)通常通過更深和更寬的結構實現了更好的性能，但是當神經網絡需要部署到移動設備時，神經網絡需要的資源遠遠超過了移動設備的限制。例如，ResNet-152擁有6020萬個參數，需要231MB存儲空間；此外，它還需要超過380MB的內存和11.3億浮點運算（在CPU上耗時6秒鐘）來處理單張圖像。因此，我們需要找到高效率的模型來滿足移動設備的需要。
網絡剪枝是網絡的壓縮和加速中一個重要的方向，自1989年LeCun提出以來，得到了迅速發展。現在主要分為2種方向：1）權重剪枝；2）濾波器剪枝。濾波器剪枝相對于權重剪枝有一系列優點，包括它可以得到規則的模型，由此減少內存消耗，并且加速網絡的推斷。
圖1: 濾波器剪枝
上圖是典型的濾波器剪枝的流程。現有的方法認為濾波器的范數（p-norm）越小，相對應的特征圖越接近于0，于是對網絡對貢獻越小，那么這些濾波器可以去掉而不會嚴重影響網絡的性能。于是我們用濾波器的p-norm進行重要性排序，并且刪除p-norm小的濾波器。
圖2: 范數評價指標的條件
上述的范數評價指標，實際上包含了兩個隱含條件（圖2）：1）范數標準差足夠大；2）最小的范數接近于0。
圖3: 濾波器范數分布可能出現的情況
但是實際的濾波器范數分布也會出現不滿足上述條件的情況（圖3），1）范數的標準差太?。?）最小范數的值仍然很大。如果出現情況1，很多濾波器有相似的重要性，我們不知道到底應該去掉哪個。如果出現情況2，我們很難找到特征圖越接近于0的濾波器。
圖4:實際的濾波器范數分布
我們通過分析實際的預訓練網絡（圖4），發現這些網絡確實出現了上述的情況。 雷鋒網
圖5 基于范數和幾何中心的評價指標
幾何中心（Geometric Median, GM）的定義：
https://baike.baidu.com/item/%E5%BD%A2%E5%BF%83
圖6: 幾何中心
幾何中心是對于歐幾里得空間的點的中心的一個估計。我們認為濾波器也是歐氏空間中的點，于是我們可以根據計算GM來得到這些濾波器的“中心”，也就是他們的共同性質。如果某個濾波器接近于這個GM，可以認為這個濾波器的信息跟其他濾波器重合，甚至是冗余的，于是我們可以去掉這個濾波器而不對網絡產生大的影響。去掉它后，它的功能可以被其他濾波器代替。
圖7: 基于幾何中心的濾波器評價指標
由此我們得到一種跟范數無關的濾波器評價方法FPGM，打破了范數評價指標的局限性。
4.實驗
在Cifar-10數據集上，FPGM在ResNet-110上的計算量降低了52％以上，相對精確度提高了2.69％。此外，在ILSVRC-2012數據集上，FPGM還在ResNet-101上減少了超過42％的計算量。
圖8: ResNet on CIIFAR-10實驗結果
圖9: ResNet on ImageNet實驗結果
圖10: 可視化結果
我們把 ResNet-50的第一個卷積層的特征圖進行了可視化。紅色的(7,23,27,46,56,58)是被FPGM選中的需要被去掉的通道?？梢钥闯鲞@些被去掉的通道特征主要有兩部分。1）竹子的骨架，2）熊貓的輪廓。其中竹子的骨架可以被剩下的 (5,12,16,18,22)通道代替，而熊貓的輪廓可以被剩下的 (0,4,33,34,47) 通道代替，由此驗證了我們基于幾何中心進行濾波器剪枝的理論。
我們探討了現有的濾波器范數評價指標的問題，并且提出了基于濾波器的幾何中心的剪枝算法。我們的方法還可以結合矩陣分解，權重量化等方法進一步對神經網絡進行壓縮和加速。
雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知。
專題
