Compartir tecnología

Compilación de puntos de conocimiento de poda de modelos.

2024-07-12

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Compilación de puntos de conocimiento de poda de modelos.

La poda esmodelo de aprendizaje profundoSe utilizan dos técnicas comunes de optimización para reducir la complejidad del modelo y mejorar la velocidad de inferencia, y son adecuadas para entornos con recursos limitados.

Poda

La poda es un método para reducir el tamaño del modelo y el esfuerzo computacional mediante la eliminación de parámetros redundantes o sin importancia en el modelo. La poda generalmente se divide en los siguientes tipos:

1. Poda de peso

La poda de peso reduce la cantidad de parámetros del modelo al eliminar elementos cercanos a cero en la matriz de peso. Los métodos comunes son:

  • Poda no estructurada: Retire los pesos pequeños de la matriz de pesos uno por uno.
  • Poda estructurada: Elimina ponderaciones por una estructura específica (como filas o columnas enteras).

Ejemplo:

import torch

# 假设有一个全连接层
fc = torch.nn.Linear(100, 100)

# 获取权重矩阵
weights = fc.weight.data.abs()

# 设定剪枝阈值
threshold = 0.01

# 应用剪枝
mask = weights > threshold
fc.weight.data *= mask
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

2. Poda de canales

La poda de canales se utiliza principalmente parared neuronal convolucional , reduciendo la cantidad de cálculo al eliminar canales sin importancia en la capa convolucional. Los métodos comunes son:

  • Puntuación basada en importancia: Calcule la puntuación de importancia de cada canal y elimine los canales con puntuaciones más bajas.
  • Basado en la escasez: Al agregar términos de regularización escasos, algunos canales naturalmente serán escasos durante el proceso de capacitación y luego se eliminarán.
import torch
import torch.nn as nn

class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(64, 128, kernel_size=3, padding=1)
    
    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        return x

model = ConvNet()

# 获取卷积层的权重
weights = model.conv1.weight.data.abs()

# 计算每个通道的L1范数
channel_importance = torch.sum(weights, dim=[1, 2, 3])

# 设定剪枝阈值
threshold = torch.topk(channel_importance, k=32, largest=True).values[-1]

# 应用剪枝
mask = channel_importance > threshold
model.conv1.weight.data *= mask.view(-1, 1, 1, 1)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29

3. Poda de capas

La poda de capas elimina capas de red enteras para reducir la profundidad computacional del modelo. Este enfoque es más radical y se utiliza a menudo junto con Model Architecture Search (NAS).

import torch.nn as nn

class LayerPrunedNet(nn.Module):
    def __init__(self, use_layer=True):
        super(LayerPrunedNet, self).__init__()
        self.use_layer = use_layer
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(64, 128, kernel_size=3, padding=1)
    
    def forward(self, x):
        x = self.conv1(x)
        if self.use_layer:
            x = self.conv2(x)
        return x

# 初始化网络,选择是否使用第二层
model = LayerPrunedNet(use_layer=False)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18