[[265358]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

去年TensorFlow官方推出了模型優化工具，最多能將模型尺寸減小4倍，運行速度提高3倍。

最近現又有一款新工具加入模型優化“豪華套餐”，這就是基于Keras的剪枝優化工具。

訓練AI模型有時需要大量硬件資源，但不是每個人都有4個GPU的豪華配置，剪枝優化可以幫你縮小模型尺寸，以較小的代價進行推理。

什么是權重剪枝？

權重剪枝（Weight Pruning）優化，就是消除權重張量中不必要的值，減少神經網絡層之間的連接數量，減少計算中涉及的參數，從而降低操作次數。

這樣做的好處是壓縮了網絡的存儲空間，尤其是稀疏張量特別適合壓縮。例如，經過處理可以將MNIST的90％稀疏度模型從12MB壓縮到2MB。

此外，權重剪枝與量化（quantization）兼容，從而產生復合效益。通過訓練后量化（post-training quantization），還能將剪枝后的模型從2MB進一步壓縮到僅0.5MB 。

TensorFlow官方承諾，將來TensorFlow Lite會增加對稀疏表示和計算的支持，從而擴展運行內存的壓縮優勢，并釋放性能提升。

優化效果

權重剪枝優化可以用于不同任務、不同類型的模型，從圖像處理的CNN用于語音處理的RNN。下表顯示了其中一些實驗結果。

以GNMT從德語翻譯到英語的模型為例，原模型的BLEU為29.47。指定80%的稀疏度，經優化后，張量中的非零參數可以從211M壓縮到44M，準確度基本沒有損失。

使用方法

現在的權重剪枝API建立在Keras之上，因此開發者可以非常方便地將此技術應用于任何現有的Keras訓練模型中。

開發者可以指定最終目標稀疏度（比如50%），以及執行剪枝的計劃（比如2000步開始剪枝，在4000步時停止，并且每100步進行一次)，以及剪枝結構的可選配置。

import tensorflow_model_optimization as tfmot 
model = build_your_model()  
pruning_schedule = tfmot.sparsity.keras.PolynomialDecay( 
 initial_sparsity=0.0, final_sparsity=0.5, 
 begin_step=2000, end_step=4000) 
model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude(model, pruning_schedule=pruning_schedule) 
...  
model_for_pruning.fit 

隨著訓練的進行，剪枝過程開始被執行。在這個過程中，它會消除消除張量中最接近零的權重，直到達到當前稀疏度目標。

每次計劃執行剪枝程序時，都會重新計算當前稀疏度目標，根據平滑上升函數逐漸增加稀疏度來達到最終目標稀疏度，從0%開始直到結束。

用戶也可以根據需要調整這個上升函數。在某些情況下，可以安排訓練過程在某個步驟達到一定收斂級別之后才開始優化，或者在訓練總步數之前結束剪枝，以便在達到最終目標稀疏度時進一步微調系統。

GitHub地址：

https://github.com/tensorflow/model-optimization

官方教程：

https://www.tensorflow.org/model_optimization/guide/pruning/pruning_with_keras