प्रौद्योगिकी साझेदारी

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

सन्दर्भः २.https://www.cnblogs.com/the-art-of-ai/p/17500399.html

1. पृष्ठभूमिपरिचयः

गहनशिक्षणप्रतिमानैः चित्रपरिचयः, प्राकृतिकभाषाप्रक्रियाकरणं, वाक्परिचयः इत्यादिषु क्षेत्रेषु उल्लेखनीयपरिणामाः प्राप्ताः, परन्तु एतेषु प्रतिरूपेषु प्रायः गणनासंसाधनानाम्, भण्डारणस्थानस्य च महती मात्रा आवश्यकी भवति विशेषतः संसाधन-संकुचित-वातावरणेषु यथा चलयन्त्राणि, एम्बेडेड्-प्रणाली च, एतेषां प्रतिरूपानाम् आकारः, गणनाजटिलता च प्रायः अटङ्काः भवन्ति ये तेषां अनुप्रयोगं सीमितं कुर्वन्ति अतः प्रतिरूपस्य सटीकताम् अवलम्ब्य यथासम्भवं प्रतिरूपस्य आकारं गणनाजटिलतां च कथं न्यूनीकर्तुं शक्यते इति महत्त्वपूर्णा शोधदिशा अभवत्

अस्याः समस्यायाः समाधानार्थं आदर्श-छंटाई-प्रौद्योगिकी एकः प्रभावी पद्धतिः अस्ति ।गहनशिक्षणप्रतिरूपस्य संरचनायाः अनुकूलनं कृत्वा मापदण्डान् न्यूनीकृत्य च, प्रतिरूपस्य आकारः लघुः भवति तथा च सटीकतां निर्वाहयन् द्रुततरं चालनवेगं भवति, तस्मात् भिन्नकार्यस्य वातावरणस्य च अनुकूलतां प्राप्नोति。

2. मूलभूतसिद्धान्ताः

        आदर्श छंटाई प्रौद्योगिकी गहनशिक्षणप्रतिरूपस्य संरचनात्मकअनुकूलनस्य पैरामीटर् न्यूनीकरणस्य च प्रौद्योगिकीम् निर्दिशति । .छंटनीप्रौद्योगिक्याः विभक्तुं शक्यतेसंरचनात्मक छंटनीतथापैरामीटर छंटाईरूपद्वयम् ।

संरचनात्मकं छंटाई केषाञ्चन निष्कासनं निर्दिशतिअनावश्यक संरचनात्मक इकाई , यथा न्यूरॉन्स, कन्वोल्यूशन कर्नेल्, लेयर इत्यादयः, मॉडलस्य गणनाजटिलतां भण्डारणस्थानं च न्यूनीकर्तुं । सामान्य संरचनात्मक छंटाई पद्धतयः सन्ति : चैनल छंटाई, स्तर छंटाई, नोड छंटाई, फ़िल्टर छंटाई इत्यादयः ।

पैरामीटर् प्रूनिंग् इति गहनशिक्षणप्रतिमानात् आँकडानां निष्कासनं निर्दिशतिकेचन अनावश्यकभारमापदण्डाः निष्कासयन्तु , प्रतिरूपस्य सटीकताम् अवलम्ब्य प्रतिरूपस्य भण्डारणस्थानं गणनाजटिलतां च न्यूनीकर्तुं । सामान्यपैरामीटर् छंटाईविधयः सन्ति: L1 नियमितीकरणं, L2 नियमितीकरणं, छंटाई छंटाई, स्थानीयता-संवेदनशीलं हैश छंटाई इत्यादयः ।

3. तकनीकी सिद्धान्त

        मॉडल-प्रूनिंग-प्रौद्योगिक्याः मूलविचारः अस्ति यत् मॉडलस्य सटीकताम् अवलम्ब्य यथासम्भवं मॉडलस्य भण्डारणस्थानं, गणनाजटिलतां च न्यूनीकर्तुं शक्यतेयतो हि गहनशिक्षणप्रतिरूपेषु न्यूरॉन्स, कन्वोल्यूशन कर्नेल्, भारमापदण्डाः इत्यादीनां संरचनात्मक-एककानां मापदण्डानां च प्रायः अनावश्यकं अनावश्यकं च भागं भवति, अतः एतेषां अनावश्यकभागानाम् न्यूनीकरणाय छंटाई-प्रौद्योगिक्याः उपयोगः कर्तुं शक्यते, येन मॉडलस्य आयतनं न्यूनीकरोति तथा च The effect of computational complexity

विशेषतः, आदर्श छंटाई प्रौद्योगिक्याः कार्यान्वयनम् निम्नलिखितपदार्थेषु विभक्तुं शक्यते ।

(1) प्रथमं गहनशिक्षणप्रतिरूपस्य आरम्भं कृत्वा आधाररेखाप्रतिरूपं प्राप्तुं प्रशिक्षितुं;

(2) विशिष्टानुप्रयोगपरिदृश्यानां आवश्यकतानां च आधारेण छंटाई परिमाणीकरणपद्धतीनां रणनीतीनां च चयनं कुर्वन्तु;संरचनात्मक छंटाई तथा पैरामीटर छंटनी;सामान्यरणनीतयः सन्ति: वैश्विकछंटाई तथा पुनरावर्तनीय छंटाई;

(3) चयनित-छंटाई-विधि-रणनीत्याः आधारेण, गहन-शिक्षण-प्रतिरूपे छंटाई-क्रियाः कुर्वन्ति, केचन अनावश्यक-संरचनात्मक-एककाः भार-मापदण्डाः च विलोपयन्तु, अथवा तान् 0 अथवा अत्यन्तं लघु-मूल्यानि सेट् कुर्वन्तु

(4) प्रतिरूपस्य पुनः प्रशिक्षणं कृत्वा प्रतिरूपस्य सटीकता न्यूनीभवति अतः, प्रतिरूपस्य सटीकता पुनः स्थापयितुं छंटाईकृतस्य प्रतिरूपस्य पुनः प्रशिक्षणस्य आवश्यकता वर्तते;

(5) पुनः प्रशिक्षणस्य अनन्तरं मॉडलस्य सूक्ष्म-समायोजनं कुर्वन्तु;

संहिता : १.

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

छंटाईप्रौद्योगिक्याः कार्यक्षमतां कार्यक्षमतां च सुधारयितुम् निम्नलिखित अनुकूलनपक्षेषु विचारः कर्तुं शक्यते ।

• छंटाई प्रभावं सटीकता च सुधारयितुम् उचितं छंटाई रणनीतयः छंटाई एल्गोरिदम् च चयनं कुर्वन्तु ।

• मॉडलस्य सटीकतायां कार्यप्रदर्शने च अधिकं सुधारं कर्तुं छंटनीकृतं प्रतिरूपं सूक्ष्मरूपेण ट्यून कुर्वन्तु अथवा वृद्धिशीलरूपेण शिक्षन्तु।

• छंटाई-प्रशिक्षण-प्रक्रियायाः त्वरिततायै समानान्तर-गणना-वितरित-गणना-प्रौद्योगिक्याः उपयोगं कुर्वन्तु ।