Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Viite:https://www.cnblogs.com/the-art-of-ai/p/17500399.html

1. Tausta esittely

Syväoppimismallit ovat saavuttaneet merkittäviä tuloksia kuvantunnistuksessa, luonnollisen kielen käsittelyssä, puheentunnistuksessa ja muilla aloilla, mutta nämä mallit vaativat usein paljon laskentaresursseja ja tallennustilaa. Varsinkin resurssirajoitteisissa ympäristöissä, kuten mobiililaitteissa ja sulautetuissa järjestelmissä, näiden mallien koosta ja laskennallisesta monimutkaisuudesta tulee usein pullonkauloja, jotka rajoittavat niiden käyttöä. Tästä syystä mallin koon ja laskennallisen monimutkaisuuden vähentäminen mahdollisimman paljon samalla kun mallin tarkkuus säilyy, on tullut tärkeä tutkimussuunta.

Mallileikkaustekniikka on tehokas tapa ratkaista tämä ongelma.Optimoimalla syväoppimismallin rakennetta ja pienentämällä parametreja malli on pienempi koko ja nopeampi juoksunopeus samalla, kun se säilyttää tarkkuuden ja mukautuu siten paremmin erilaisiin tehtäviin ja ympäristöihin.。

2. Perusperiaatteet

        Mallin karsintatekniikka viittaa syväoppimismallien rakenteelliseen optimointiin ja parametrien vähentämiseen tarkoitettuun tekniikkaan. .Leikkaustekniikka voidaan jakaarakenteellinen karsiminenjaParametrien karsiminenKaksi muotoa.

Rakenteellinen karsiminen tarkoittaa joidenkin poistamistatarpeeton rakenneyksikkö , kuten neuronit, konvoluutioytimet, kerrokset jne., vähentääkseen mallin laskennallista monimutkaisuutta ja tallennustilaa. Yleisiä rakenteellisia karsintamenetelmiä ovat: kanavan karsiminen, kerrosten karsiminen, solmujen karsiminen, suodatinkarsinta jne.

Parametrien karsiminen viittaa tiedon poimimiseen syväoppimismalleistaPoista jotkut tarpeettomat painoparametrit , vähentääksesi mallin tallennustilaa ja laskennallista monimutkaisuutta samalla kun säilytetään mallin tarkkuus. Yleisiä parametrien karsinnan menetelmiä ovat: L1-regulointi, L2-regulointi, lajitteluleikkaus, paikkatietokohtainen hajautuskarsiminen jne.

3. Tekniset periaatteet

        Mallin karsimisen tekniikan ydinajatus on vähentää mallin tallennustilaa ja laskennallista monimutkaisuutta mahdollisimman paljon samalla, kun mallin tarkkuus säilyy.Koska syväoppimismalleissa rakenneyksiköissä ja parametreissä, kuten hermosoluissa, konvoluutioytimissä ja painoparametreissa, on usein redundantteja ja tarpeettomia osia, voidaan karsintatekniikalla vähentää näitä redundantteja osia, mikä vähentää mallin määrää ja laskennan monimutkaisuuden vaikutusta.

Tarkemmin sanottuna mallileikkaustekniikan käyttöönotto voidaan jakaa seuraaviin vaiheisiin:

(1) Alusta malli ensin, alusta syväoppimismalli ja harjoittele sitä perusmallin saamiseksi;

(2) Valitse karsimisen määrälliset menetelmät ja strategiat tiettyjen sovellusskenaarioiden ja -tarpeiden perusteella;Rakenneleikkaus ja parametrien karsiminen;Yleisiä strategioita ovat: globaali karsiminen ja iteratiivinen karsiminen;

(3) Karsintamalli valitun karsintamenetelmän ja -strategian perusteella, poista tarpeettomat rakenneyksiköt ja painoparametrit tai aseta ne arvoon 0 tai hyvin pieni;

(4) Karsiminen voi heikentää mallin tarkkuutta, joten karsittu malli on koulutettava uudelleen mallin tarkkuuden palauttamiseksi;

(5) Hienosäädä mallia uudelleenkoulutuksen jälkeen, paranna mallin tarkkuutta;

Koodi:

import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
from torchvision import datasets, transforms
 
# 定义一个简单的卷积神经网络
class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 4, kernel_size=3, padding=1)  # 4个输出通道
        self.conv2 = nn.Conv2d(4, 8, kernel_size=3, padding=1)  # 8个输出通道
        self.fc1 = nn.Linear(8 * 7 * 7, 64)
        self.fc2 = nn.Linear(64, 10)
 
    def forward(self, x):
        x = F.relu(self.conv1(x))  # 卷积层1 + ReLU激活函数
        x = F.max_pool2d(x, 2)  # 最大池化层，池化核大小为2x2
        x = F.relu(self.conv2(x))  # 卷积层2 + ReLU激活函数
        x = F.max_pool2d(x, 2)  # 最大池化层，池化核大小为2x2
        x = x.view(x.size(0), -1)  # 展平操作，将多维张量展平成一维
        x = F.relu(self.fc1(x))  # 全连接层1 + ReLU激活函数
        x = self.fc2(x)  # 全连接层2，输出10个类别
        return x
 
# 实例化模型
model = SimpleCNN()
 
# 打印剪枝前的模型结构
print("Model before pruning:")
print(model)
 
# 加载数据
transform = transforms.Compose([
    transforms.ToTensor(),  # 转换为张量
    transforms.Normalize((0.1307,), (0.3081,))  # 归一化
])
train_dataset = datasets.MNIST('./data', train=True, download=True, transform=transform)  # 加载训练数据集
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)  # 创建数据加载器
 
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()  # 交叉熵损失函数
optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam优化器
 
# 训练模型
model.train()  # 将模型设置为训练模式
for epoch in range(1):  # 训练一个epoch
    running_loss = 0.0
    for data, target in train_loader:
        optimizer.zero_grad()  # 清零梯度
        outputs = model(data)  # 前向传播
        loss = criterion(outputs, target)  # 计算损失
        loss.backward()  # 反向传播
        optimizer.step()  # 更新参数
        running_loss += loss.item() * data.size(0)  # 累加损失
 
    epoch_loss = running_loss / len(train_loader.dataset)  # 计算平均损失
    print(f'Epoch {epoch + 1}, Loss: {epoch_loss:.4f}')
 
# 通道剪枝
# 获取卷积层的权重
conv1_weights = model.conv1.weight.data.abs().sum(dim=[1, 2, 3])  # 计算每个通道的L1范数
 
# 按照L1范数对通道进行排序
sorted_channels = torch.argsort(conv1_weights)
 
# 选择需要删除的通道
num_prune = 2  # 假设我们要删除2个通道
channels_to_prune = sorted_channels[:num_prune]
 
print("Channels to prune:", channels_to_prune)
 
# 删除指定通道的权重和偏置
pruned_weights = torch.index_select(model.conv1.weight.data, 0, sorted_channels[num_prune:])  # 获取保留的权重
pruned_bias = torch.index_select(model.conv1.bias.data, 0, sorted_channels[num_prune:])  # 获取保留的偏置
 
# 创建一个新的卷积层，并将剪枝后的权重和偏置赋值给它
model.conv1 = nn.Conv2d(in_channels=1, out_channels=4 - num_prune, kernel_size=3, padding=1)
model.conv1.weight.data = pruned_weights
model.conv1.bias.data = pruned_bias
 
# 同时我们还需要调整conv2层的输入通道
# 获取conv2层的权重并调整其输入通道
conv2_weights = model.conv2.weight.data[:, sorted_channels[num_prune:], :, :]  # 调整输入通道的权重
 
# 创建一个新的卷积层，并将剪枝后的权重赋值给它
model.conv2 = nn.Conv2d(in_channels=4 - num_prune, out_channels=8, kernel_size=3, padding=1)
model.conv2.weight.data = conv2_weights
 
# 打印剪枝后的模型结构
print("Model after pruning:")
print(model)
 
# 定义新的优化器
optimizer = optim.Adam(model.parameters(), lr=0.001)
 
# 重新训练模型
model.train()  # 将模型设置为训练模式
for epoch in range(1):  # 训练一个epoch
    running_loss = 0.0
    for data, target in train_loader:
        optimizer.zero_grad()  # 清零梯度
        outputs = model(data)  # 前向传播
        loss = criterion(outputs, target)  # 计算损失
        loss.backward()  # 反向传播
        optimizer.step()  # 更新参数
        running_loss += loss.item() * data.size(0)  # 累加损失
 
    epoch_loss = running_loss / len(train_loader.dataset)  # 计算平均损失
    print(f'Epoch {epoch + 1}, Loss: {epoch_loss:.4f}')
 
# 加载测试数据
test_dataset = datasets.MNIST('./data', train=False, transform=transform)  # 加载测试数据集
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=1000, shuffle=False)  # 创建数据加载器
 
# 评估模型
model.eval()  # 将模型设置为评估模式
correct = 0
total = 0
with torch.no_grad():  # 关闭梯度计算
    for data, target in test_loader:
        outputs = model(data)  # 前向传播
        _, predicted = torch.max(outputs.data, 1)  # 获取预测结果
        total += target.size(0)  # 总样本数
        correct += (predicted == target).sum().item()  # 正确预测的样本数
 
print(f'Accuracy: {100 * correct / total}%')  # 打印准确率

Leikkaustekniikan suorituskyvyn ja tehokkuuden parantamiseksi voidaan harkita seuraavia optimointinäkökohtia:

• Valitse sopivat karsintastrategiat ja karsiusalgoritmit parantaaksesi karsimisen vaikutusta ja tarkkuutta.

• Hienosäädä tai opettele karsittua mallia asteittain parantaaksesi mallin tarkkuutta ja suorituskykyä.

• Käytä rinnakkaislaskentaa ja hajautettua laskentatekniikkaa nopeuttaaksesi karsimista ja harjoittelua.