Vitis AI 是AMD 開發(fā)套件，用于在 AMD 硬件平臺上進行 AI 推斷。機器學習中的推斷是計算密集型流程，需要大量存儲器帶寬以滿足各種應用的低時延和高吞吐量要求。

Vitis AI Optimizer（優(yōu)化器）支持對神經(jīng)網(wǎng)絡模型進行最優(yōu)化。當前，Vitis AI 優(yōu)化器僅包含一項工具，稱為“pruner”（剪枝器）。Vitis AI 優(yōu)化器用于移除神經(jīng)網(wǎng)絡中的冗余內(nèi)核，從而減少推斷的總體計算成本。由 Vitis AI 剪枝器所生成的剪枝后的模型隨后由 Vitis AI 量化器進行量化，然后部署到 AMD FPGA、SoC 或 ACAP 器件。

VAI優(yōu)化器

本文檔涵蓋了以下設計進程：機器學習和數(shù)據(jù)研究——將機器學習模型從 PyTorch、TensorFlow 或其它熱門框架導入 Vitis AI，然后對其有效性進行最優(yōu)化和評估。本文檔中適用于此設計進程的主題包括：

?第 2 章：剪枝

?第 3 章：處理 Vitis AI 優(yōu)化器

由于版面有限，本文選取了剪枝章節(jié)中的部分內(nèi)容進行分享。如果您希望獲取完整版用戶指南，請至文末掃描二維碼下載完整版進行瀏覽。

剪枝

神經(jīng)網(wǎng)絡通常過度參數(shù)化，具有大量冗余。剪枝是消除冗余權重同時盡可能使準確度損失保持處于低位的進程。

低精度剪枝和高精度剪枝

行業(yè)研究帶來了多項有助于降低神經(jīng)網(wǎng)絡推斷成本的技術。這些技術包括：

點擊查看詳細內(nèi)容

迭代剪枝與單步剪枝的對比

下表中顯示了這兩種方法的對比。

迭代剪枝

剪枝器旨在減少模型參數(shù)數(shù)量，同時盡可能降低準確度損失。這是通過迭代方式來完成的，如下圖所示。剪枝導致準確度降低，重新訓練可恢復準確度。剪枝隨后重新訓練即構(gòu)成一次迭代。在剪枝的首次迭代中，輸入模型是基線模型，并且已經(jīng)過剪枝和精調(diào)。在后續(xù)迭代中，從先前迭代所獲取的精調(diào)后的模型會變?yōu)樾碌幕€。此進程通常會重復數(shù)次，直至獲取期望的稀疏模型。迭代方法是必需的，因為在單次傳遞中無法在維持準確度的同時進行模型剪枝。如果一次迭代移除的參數(shù)過多，那么準確度損失可能過于劇烈，可能無法恢復。

利用迭代剪枝的進程，可以達到更高的剪枝率，同時模型性能不會出現(xiàn)顯著損失。

迭代剪枝

以下描述了迭代剪枝的 4 個主要階段：

分析：對模型執(zhí)行敏感度分析，判定最優(yōu)剪枝策略。

剪枝：減少輸入模型中的計算次數(shù)。

精調(diào)：重新訓練已剪枝的模型以恢復準確度。

變換：生成含更低權重的密集模型。

迭代剪枝工作流程

步驟1

分析原始基線模型。

步驟2

對模型進行剪枝。

步驟3

對剪枝后的模型進行精調(diào)。

步驟4

多次重復步驟 2 和 3，直至在準確度與稀疏度之間達成期望的平衡。

步驟5

將剪枝后的稀疏模型變換為最終密集加密的模型，以供在 Vitis AI 量化器中使用。

單步剪枝

單步剪枝會實現(xiàn)EagleEye1算法。它僅通過采用了一個簡單而又高效的評估組件，就得以在不同的已剪枝模型及其對應精調(diào)準確度之間引入強大的正關聯(lián)，這個組件名為自適應批量歸一化。它使您無需實際進行模型精調(diào)，即可獲取可能達成的準確度最高的子網(wǎng)絡。簡而言之，單步剪枝方法會搜索一群滿足所需模型大小的子網(wǎng)絡（即，生成的剪枝后模型），并選擇其中最有潛力的子網(wǎng)絡。隨后，通過對所選子網(wǎng)絡進行重新訓練來恢復準確度。

單步剪枝工作流程

注釋：

1.Bailin Li et al., EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning, arXiv:2007.02491

剪枝方法的選擇指南

Vitis AI 優(yōu)化器中為 PyTorch 提供了 3 種剪枝方法。請參閱以下決策樹以選擇適合您的網(wǎng)絡的方法。

在PyTorch中選擇剪枝方法的流程圖

審核編輯 ：李倩