【李宏毅2020 ML/DL】P52 Network Compression - Network Pruning

我已经有两年 ML 经历，这系列课主要用来查缺补漏，会记录一些细节的、自己不知道的东西。

已经有人记了笔记（很用心，强烈推荐）：https://github.com/Sakura-gh/ML-notes

1. 本节课继续由助教Arvin Liu讲解，内容为 Network Pruning 。
2. 首先来复习一下 Neuron Pruning in DNN 。
3. Main Question: Prune what? Evaluation. After Evaluation? Prune? Sort? Threshold or Rank?
4. Evaluate Importance. 以什么为衡量基准。介绍了不少方法。
5. 接着，复习了一下 Lottery Ticket Hypo 。
6. Prune what? 考虑到，会不会有个 weight 一开始比较大，其还具有意义吗？而一开始比较小，后来比较的的 weight 会不会更有意义呢？有人做了这个研究。见 Choose which mask?
7. Wining Tickets property?
8. Rethink v.s. Lottery. 上节课老师也提过，专门有一篇文章讲到过，还有篇文章与 Lottery 的文章结果正好互相违背。

文章目录

• 本节内容综述
• 小细节
• • • Neuron Pruning in DNN
    • Main Question: Prune what?
    • Evaluate Importance
    • • Eval by weight - sum of L1 norm
      • Eval by weight - FPGM
      • Eval by BN's γ - Network Slimming
      • Eval by 0s after ReLU - APoZ
    • Lottery Ticket Hypo
    • • Choose which mask?
      • Wining Tickets property?
      • Conclusion
    • Rethink v.s. Lottery
    • • So... what's the result?

Neuron Pruning in DNN

如上图，减少一个神经元的效果。

如上图，对于CNN也可看出减少一个神经元的效果。

注意上面都没有计算 bias 。

Main Question: Prune what?

Main Question: Prune what?

• Which is most important?
• How to evaluate importance?

可以：

• Evaluate by Weight
• Evaluate by Activation
• Evaluate by Gradient

After Evaluation?

• Sort by importance and prune by rank.
• Prune by handcrafted threshold.
• Prune by generated threshold.

Evaluate Importance

Eval by weight - sum of L1 norm

如上图，可以进行权重的累加。

Eval by weight - FPGM

每个神经元对应一个 norm ，即“产生的影响”；之后对 norm 进行统计，绘制出类似直方图的东西；然后我们去掉 [ V 1 , T ] [\mathcal{V}_1,\mathcal{T}] [V1​,T]这一部分 norm 对应的神经元，因为其影响力较小。

但是存在问题。

如上，可能分布方差过小，或者，没有 norm 接近0，这样的话，砍掉的神经元会对结果造成不小的影响。

于是，提出 FPGM 。

其思想是：可能会有 Large norm 其对应的几个神经元，这些神经元的 norm 其实在几何上很接近，即其作用是相同的，因此，可以砍掉一些，就保留一个。

可以通过几何中心计算。

Eval by BN’s γ - Network Slimming

如上，可以使用 γ 等参数来衡量神经元的重要性，而且 γ 是可以通过学习得到的。

如上，对 γ 做 L1-penalty ，就可以方便地决定哪些 γ 不重要，可以用来剪枝。

Eval by 0s after ReLU - APoZ

把输出统计一下，加起来求平均。

如果一个 ReLU 为激活函数的神经元，其输出总是为 0 ，说明其可能不重要。

可以看出，对于第 5 层，其 CONV5-3 的 APoZ 指标高达 93% 。

Lottery Ticket Hypo

Choose which mask?

上面这些是不同的 mask ，比如有用于过滤一开始比较大小，后来也比较大的；等等。

发现，magnitude_increase和Large final效果是比较好的。

Wining Tickets property?

如上，针对“大乐透理论”进行了不同的实验。

发现，还原的值不重要，但是不还原 sign 不可以。

Conclusion

于是，基于以上两个实验，我们可以构造出“最好的”mask。

Rethink v.s. Lottery

上节课老师也提过，专门有一篇文章讲到过，还有篇文章与 Lottery 的文章结果正好互相违背。

实际上，这篇的核心，是想说明剪枝后，重要的是“结构”，而不是“权重”。

So… what’s the result?

在“大乐透”的文章中其实提到了， θ 0 ′ \theta_0' θ0′​必须接近于 θ f i n a l ′ \theta_{final}' θfinal′​，也就是说学习率必须要小。

此外，“大乐透”的文章中只根据 weight 进行了 Pruned ，而没把重点放在结构上的 Pruning 。

标签：DL,Lottery,Network,weight,李宏毅,Eval,神经元,norm,Prune
来源： https://blog.51cto.com/u_15279775/2938512