AI科技評論按：騰訊 AI Lab 機器學(xué)習(xí)中心今日宣布成功研發(fā)出世界上首款自動化深度學(xué)習(xí)模型壓縮框架—— PocketFlow，并即將在近期發(fā)布開源代碼。根據(jù)雷鋒網(wǎng)AI科技評論了解，這是一款面向移動端AI開發(fā)者的自動模型壓縮框架，集成了當前主流的模型壓縮與訓(xùn)練算法，結(jié)合自研超參數(shù)優(yōu)化組件實現(xiàn)了全程自動化托管式的模型壓縮與加速。開發(fā)者無需了解具體算法細節(jié)，即可快速地將AI技術(shù)部署到移動端產(chǎn)品上，實現(xiàn)用戶數(shù)據(jù)的本地高效處理。

隨著AI技術(shù)的飛速發(fā)展，越來越多的公司希望在自己的移動端產(chǎn)品中注入AI能力，但是主流的深度學(xué)習(xí)模型往往對計算資源要求較高，難以直接部署到消費級移動設(shè)備中。在這種情況下，眾多模型壓縮與加速算法應(yīng)運而生，能夠在較小的精度損失(甚至無損)下，有效提升 CNN 和 RNN 等網(wǎng)絡(luò)結(jié)構(gòu)的計算效率，從而使得深度學(xué)習(xí)模型在移動端的部署成為可能。但是，如何根據(jù)實際應(yīng)用場景，選擇合適的模型壓縮與加速算法以及相應(yīng)的超參數(shù)取值，往往需要較多的專業(yè)知識和實踐經(jīng)驗，這無疑提高了這項技術(shù)對于一般開發(fā)者的使用門檻。

在此背景下，騰訊AI Lab機器學(xué)習(xí)中心研發(fā)了 PocketFlow 開源框架，以實現(xiàn)自動化的深度學(xué)習(xí)模型壓縮與加速，助力AI技術(shù)在更多移動端產(chǎn)品中的廣泛應(yīng)用。通過集成多種深度學(xué)習(xí)模型壓縮算法，并創(chuàng)新性地引入超參數(shù)優(yōu)化組件，極大地提升了模型壓縮技術(shù)的自動化程度。開發(fā)者無需介入具體的模型壓縮算法及其超參數(shù)取值的選取，僅需指定設(shè)定期望的性能指標，即可通過 PocketFlow 得到符合需求的壓縮模型，并快速部署到移動端應(yīng)用中。

框架介紹

PocketFlow 框架主要由兩部分組件構(gòu)成，分別是模型壓縮/加速算法組件和超參數(shù)優(yōu)化組件，具體結(jié)構(gòu)如下圖所示。

開發(fā)者將未壓縮的原始模型作為 PocketFlow 框架的輸入，同時指定期望的性能指標，例如模型的壓縮和/或加速倍數(shù);在每一輪迭代過程中，超參數(shù)優(yōu)化組件選取一組超參數(shù)取值組合，之后模型壓縮/加速算法組件基于該超參數(shù)取值組合，對原始模型進行壓縮，得到一個壓縮后的候選模型;基于對候選模型進行性能評估的結(jié)果，超參數(shù)優(yōu)化組件調(diào)整自身的模型參數(shù)，并選取一組新的超參數(shù)取值組合，以開始下一輪迭代過程;當?shù)K止時，PocketFlow 選取最優(yōu)的超參數(shù)取值組合以及對應(yīng)的候選模型，作為最終輸出，返回給開發(fā)者用作移動端的模型部署。

具體地，PocketFlow 通過下列各個算法組件的有效結(jié)合，實現(xiàn)了精度損失更小、自動化程度更高的深度學(xué)習(xí)模型的壓縮與加速：

a) 通道剪枝(channel pruning)組件：在CNN網(wǎng)絡(luò)中，通過對特征圖中的通道維度進行剪枝，可以同時降低模型大小和計算復(fù)雜度，并且壓縮后的模型可以直接基于現(xiàn)有的深度學(xué)習(xí)框架進行部署。在CIFAR-10圖像分類任務(wù)中，通過對 ResNet-56 模型進行通道剪枝，可以實現(xiàn)2.5倍加速下分類精度損失0.4%，3.3倍加速下精度損失0.7%。

b) 權(quán)重稀疏化(weight sparsification)組件：通過對網(wǎng)絡(luò)權(quán)重引入稀疏性約束，可以大幅度降低網(wǎng)絡(luò)權(quán)重中的非零元素個數(shù);壓縮后模型的網(wǎng)絡(luò)權(quán)重可以以稀疏矩陣的形式進行存儲和傳輸，從而實現(xiàn)模型壓縮。對于 MobileNet 圖像分類模型，在刪去50%網(wǎng)絡(luò)權(quán)重后，在 ImageNet 數(shù)據(jù)集上的 Top-1 分類精度損失僅為0.6%。

c) 權(quán)重量化(weight quantization)組件：通過對網(wǎng)絡(luò)權(quán)重引入量化約束，可以降低用于表示每個網(wǎng)絡(luò)權(quán)重所需的比特數(shù);團隊同時提供了對于均勻和非均勻兩大類量化算法的支持，可以充分利用 ARM 和 FPGA 等設(shè)備的硬件優(yōu)化，以提升移動端的計算效率，并為未來的神經(jīng)網(wǎng)絡(luò)芯片設(shè)計提供軟件支持。以用于 ImageNet 圖像分類任務(wù)的 ResNet-18 模型為例，在8比特定點量化下可以實現(xiàn)精度無損的4倍壓縮。

d) 網(wǎng)絡(luò)蒸餾(network distillation)組件：對于上述各種模型壓縮組件，通過將未壓縮的原始模型的輸出作為額外的監(jiān)督信息，指導(dǎo)壓縮后模型的訓(xùn)練，在壓縮/加速倍數(shù)不變的前提下均可以獲得0.5%-2.0%不等的精度提升。

e) 多GPU訓(xùn)練(multi-GPU training)組件：深度學(xué)習(xí)模型訓(xùn)練過程對計算資源要求較高，單個GPU難以在短時間內(nèi)完成模型訓(xùn)練，因此團隊提供了對于多機多卡分布式訓(xùn)練的全面支持，以加快使用者的開發(fā)流程。無論是基于 ImageNet 數(shù)據(jù)的Resnet-50圖像分類模型還是基于 WMT14 數(shù)據(jù)的 Transformer 機器翻譯模型，均可以在一個小時內(nèi)訓(xùn)練完畢。[1]

f) 超參數(shù)優(yōu)化(hyper-parameter optimization)組件：多數(shù)開發(fā)者對模型壓縮算法往往不甚了解，但超參數(shù)取值對最終結(jié)果往往有著巨大的影響，因此團隊引入了超參數(shù)優(yōu)化組件，采用了包括強化學(xué)習(xí)等算法以及 AI Lab 自研的 AutoML 自動超參數(shù)優(yōu)化框架來根據(jù)具體性能需求，確定最優(yōu)超參數(shù)取值組合。例如，對于通道剪枝算法，超參數(shù)優(yōu)化組件可以自動地根據(jù)原始模型中各層的冗余程度，對各層采用不同的剪枝比例，在保證滿足模型整體壓縮倍數(shù)的前提下，實現(xiàn)壓縮后模型識別精度的最大化。

性能展示

通過引入超參數(shù)優(yōu)化組件，不僅避免了高門檻、繁瑣的人工調(diào)參工作，同時也使得 PocketFlow 在各個壓縮算法上全面超過了人工調(diào)參的效果。以圖像分類任務(wù)為例，在 CIFAR-10 和 ImageNet 等數(shù)據(jù)集上， PocketFlow 對 ResNet 和 MobileNet 等多種 CNN 網(wǎng)絡(luò)結(jié)構(gòu)進行有效的模型壓縮與加速。[1]

在 CIFAR-10 數(shù)據(jù)集上，PocketFlow 以 ResNet-56 作為基準模型進行通道剪枝，并加入了超參數(shù)優(yōu)化和網(wǎng)絡(luò)蒸餾等訓(xùn)練策略，實現(xiàn)了2.5倍加速下分類精度損失0.4%，3.3倍加速下精度損失0.7%，且顯著優(yōu)于未壓縮的ResNet-44模型; [2] 在 ImageNet 數(shù)據(jù)集上，PocketFlow 可以對原本已經(jīng)十分精簡的 MobileNet 模型繼續(xù)進行權(quán)重稀疏化，以更小的模型尺寸取得相似的分類精度;與 Inception-V1 、ResNet-18 等模型相比，模型大小僅為后者的約20~40%，但分類精度基本一致(甚至更高)。

相比于費時費力的人工調(diào)參，PocketFlow 框架中的 AutoML 自動超參數(shù)優(yōu)化組件僅需10余次迭代就能達到與人工調(diào)參類似的性能，在經(jīng)過100次迭代后搜索得到的超參數(shù)組合可以降低約0.6%的精度損失;通過使用超參數(shù)優(yōu)化組件自動地確定網(wǎng)絡(luò)中各層權(quán)重的量化比特數(shù)，PocketFlow 在對用于 ImageNet 圖像分類任務(wù)的ResNet-18模型進行壓縮時，取得了一致性的性能提升;當平均量化比特數(shù)為4比特時，超參數(shù)優(yōu)化組件的引入可以將分類精度從63.6%提升至68.1%(原始模型的分類精度為70.3%)。

深度學(xué)習(xí)模型的壓縮與加速是當前學(xué)術(shù)界的研究熱點之一，同時在工業(yè)界中也有著廣泛的應(yīng)用前景。隨著PocketFlow的推出，開發(fā)者無需了解模型壓縮算法的具體細節(jié)，也不用關(guān)心各個超參數(shù)的選擇與調(diào)優(yōu)，即可基于這套自動化框架，快速得到可用于移動端部署的精簡模型，從而為AI能力在更多移動端產(chǎn)品中的應(yīng)用鋪平了道路。

參考文獻

[1] Zhuangwei Zhuang, Mingkui Tan, Bohan Zhuang, Jing Liu, Jiezhang Cao, Qingyao Wu, Junzhou Huang, Jinhui Zhu, “Discrimination-aware Channel Pruning for Deep Neural Networks", In Proc. of the 32nd Annual Conference on Neural Information Processing Systems, NIPS '18, Montreal, Canada, December 2018.

[2] Jiaxiang Wu, Weidong Huang, Junzhou Huang, Tong Zhang, “Error Compensated Quantized SGD and its Applications to Large-scale Distributed Optimization”, In Proc. of the 35th International Conference on Machine Learning, ICML ’18, Stockholm, Sweden, July 2018.

本文來源：AI科技評論