自從AlexNet一舉奪得ILSVRC 2012 ImageNet圖像分類競(jìng)賽的冠軍后，卷積神經(jīng)網(wǎng)絡(luò)（CNN）的熱潮便席卷了整個(gè)計(jì)算機(jī)視覺領(lǐng)域。CNN模型火速替代了傳統(tǒng)人工設(shè)計(jì)（hand-crafted）特征和分類器，不僅提供了一種端到端的處理方法，還大幅度地刷新了各個(gè)圖像競(jìng)賽任務(wù)的精度，更甚者超越了人眼的精度（LFW人臉識(shí)別任務(wù)）。CNN模型在不斷逼近計(jì)算機(jī)視覺任務(wù)的精度極限的同時(shí)，其深度和尺寸也在成倍增長(zhǎng)。
?

表1 幾種經(jīng)典模型的尺寸，計(jì)算量和參數(shù)數(shù)量對(duì)比

Model Model Size(MB) Million
Mult-Adds Million
Parameters
AlexNet[1]?>200?720?60?
VGG16[2]?>500?15300?138?
GoogleNet[3]?~50?1550?6.8?
Inception-v3[4]?90-100?5000?23.2

隨之而來的是一個(gè)很尷尬的場(chǎng)景：如此巨大的模型只能在有限的平臺(tái)下使用，根本無法移植到移動(dòng)端和嵌入式芯片當(dāng)中。就算想通過網(wǎng)絡(luò)傳輸，但較高的帶寬占用也讓很多用戶望而生畏。另一方面，大尺寸的模型也對(duì)設(shè)備功耗和運(yùn)行速度帶來了巨大的挑戰(zhàn)。因此這樣的模型距離實(shí)用還有一段距離。

在這樣的情形下，模型小型化與加速成了亟待解決的問題。其實(shí)早期就有學(xué)者提出了一系列CNN模型壓縮方法，包括權(quán)值剪值（prunning）和矩陣SVD分解等，但壓縮率和效率還遠(yuǎn)不能令人滿意。

近年來，關(guān)于模型小型化的算法從壓縮角度上可以大致分為兩類：從模型權(quán)重?cái)?shù)值角度壓縮和從網(wǎng)絡(luò)架構(gòu)角度壓縮。另一方面，從兼顧計(jì)算速度方面，又可以劃分為：僅壓縮尺寸和壓縮尺寸的同時(shí)提升速度。

本文主要討論如下幾篇代表性的文章和方法，包括SqueezeNet[5]、Deep Compression[6]、XNorNet[7]、Distilling[8]、MobileNet[9]和ShuffleNet[10]，也可按照上述方法進(jìn)行大致分類：

表2 幾種經(jīng)典壓縮方法及對(duì)比

Method Compression Approach Speed Consideration
SqueezeNet?architecture?No?
Deep Compression?weights?No?
XNorNet?weights?Yes?
Distilling?architecture?No?
MobileNet?architecture?Yes?
ShuffleNet?architecture?Yes

一、SqueezeNet

1.1 設(shè)計(jì)思想

SqueezeNet是F. N. Iandola,S.Han等人于2016年的論文《SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and < 0.5MB model size》中提出的一個(gè)小型化的網(wǎng)絡(luò)模型結(jié)構(gòu)，該網(wǎng)絡(luò)能在保證不損失精度的同時(shí)，將原始AlexNet壓縮至原來的510倍左右（< 0.5MB）。

SqueezeNet的核心指導(dǎo)思想是——在保證精度的同時(shí)使用最少的參數(shù)。

而這也是所有模型壓縮方法的一個(gè)終極目標(biāo)。

基于這個(gè)思想，SqueezeNet提出了3點(diǎn)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)策略：

策略 1.將3x3卷積核替換為1x1卷積核。

這一策略很好理解，因?yàn)?個(gè)1x1卷積核的參數(shù)是3x3卷積核參數(shù)的1/9，這一改動(dòng)理論上可以將模型尺寸壓縮9倍。

策略 2.減小輸入到3x3卷積核的輸入通道數(shù)。

我們知道，對(duì)于一個(gè)采用3x3卷積核的卷積層，該層所有卷積參數(shù)的數(shù)量（不考慮偏置）為：

式中，N是卷積核的數(shù)量，也即輸出通道數(shù)，C是輸入通道數(shù)。

因此，為了保證減小網(wǎng)絡(luò)參數(shù)，不僅僅需要減少3x3卷積核的數(shù)量，還需減少輸入到3x3卷積核的輸入通道數(shù)量，即式中C的數(shù)量。

策略 3.盡可能的將降采樣放在網(wǎng)絡(luò)后面的層中。

在卷積神經(jīng)網(wǎng)絡(luò)中，每層輸出的特征圖（feature map）是否下采樣是由卷積層的步長(zhǎng)或者池化層決定的。而一個(gè)重要的觀點(diǎn)是：分辨率越大的特征圖（延遲降采樣）可以帶來更高的分類精度，而這一觀點(diǎn)從直覺上也可以很好理解，因?yàn)榉直媛试酱蟮妮斎肽軌蛱峁┑?a target="_blank">信息就越多。

上述三個(gè)策略中，前兩個(gè)策略都是針對(duì)如何降低參數(shù)數(shù)量而設(shè)計(jì)的，最后一個(gè)旨在最大化網(wǎng)絡(luò)精度。

1.2 網(wǎng)絡(luò)架構(gòu)

基于以上三個(gè)策略，作者提出了一個(gè)類似inception的網(wǎng)絡(luò)單元結(jié)構(gòu)，取名為fire module。一個(gè)fire module 包含一個(gè)squeeze 卷積層（只包含1x1卷積核）和一個(gè)expand卷積層（包含1x1和3x3卷積核）。其中，squeeze層借鑒了inception的思想，利用1x1卷積核來降低輸入到expand層中3x3卷積核的輸入通道數(shù)。如圖1所示。

圖1 Fire module結(jié)構(gòu)示意圖

其中，定義squeeze層中1x1卷積核的數(shù)量是s1x1，類似的，expand層中1x1卷積核的數(shù)量是e1x1， 3x3卷積核的數(shù)量是e3x3。令s1x1 < e1x1+ e3x3從而保證輸入到3x3的輸入通道數(shù)減小。SqueezeNet的網(wǎng)絡(luò)結(jié)構(gòu)由若干個(gè) fire module 組成，另外文章還給出了一些架構(gòu)設(shè)計(jì)上的細(xì)節(jié)：

為了保證1x1卷積核和3x3卷積核具有相同大小的輸出，3x3卷積核采用1像素的zero-padding和步長(zhǎng)
squeeze層和expand層均采用RELU作為激活函數(shù)
在fire9后采用50%的dropout
由于全連接層的參數(shù)數(shù)量巨大，因此借鑒NIN[11]的思想，去除了全連接層而改用global average pooling。

1.3 實(shí)驗(yàn)結(jié)果

表3 不同壓縮方法在ImageNet上的對(duì)比實(shí)驗(yàn)結(jié)果[5]

上表顯示，相比傳統(tǒng)的壓縮方法，SqueezeNet能在保證精度不損（甚至略有提升）的情況下，達(dá)到最大的壓縮率，將原始AlexNet從240MB壓縮至4.8MB，而結(jié)合Deep Compression后更能達(dá)到0.47MB，完全滿足了移動(dòng)端的部署和低帶寬網(wǎng)絡(luò)的傳輸。

此外，作者還借鑒ResNet思想，對(duì)原始網(wǎng)絡(luò)結(jié)構(gòu)做了修改，增加了旁路分支，將分類精度提升了約3%。

1.4 速度考量

盡管文章主要以壓縮模型尺寸為目標(biāo)，但毋庸置疑的一點(diǎn)是，SqueezeNet在網(wǎng)絡(luò)結(jié)構(gòu)中大量采用1x1和3x3卷積核是有利于速度的提升的，對(duì)于類似caffe這樣的深度學(xué)習(xí)框架，在卷積層的前向計(jì)算中，采用1x1卷積核可避免額外的im2col操作，而直接利用gemm進(jìn)行矩陣加速運(yùn)算，因此對(duì)速度的優(yōu)化是有一定的作用的。然而，這種提速的作用仍然是有限的，另外，SqueezeNet采用了9個(gè)fire module和兩個(gè)卷積層，因此仍需要進(jìn)行大量常規(guī)卷積操作，這也是影響速度進(jìn)一步提升的瓶頸。

二、Deep Compression

Deep Compression出自S.Han 2016 ICLR的一篇論文《Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding》。該文章獲得了ICLR 2016的最佳論文獎(jiǎng)，同時(shí)也具有里程碑式的意義，引領(lǐng)了CNN模型小型化與加速研究方向的新狂潮，使得這一領(lǐng)域近兩年來涌現(xiàn)出了大量的優(yōu)秀工作與文章。

2.1 算法流程

與前面的“架構(gòu)壓縮派”的SqueezeNet不同，Deep Compression是屬于“權(quán)值壓縮派”的。而兩篇文章均出自S.Han團(tuán)隊(duì)，因此兩種方法結(jié)合，雙劍合璧，更是能達(dá)到登峰造極的壓縮效果。這一實(shí)驗(yàn)結(jié)果也在上表中得到驗(yàn)證。

Deep Compression的算法流程包含三步，如圖2所示：

圖2 Deep Compression Pipeline

1、Pruning(權(quán)值剪枝)

剪枝的思想其實(shí)早已在早期論文中可以窺見，LeCun等人曾經(jīng)就利用剪枝來稀疏網(wǎng)絡(luò)，減小過擬合的風(fēng)險(xiǎn)，提升網(wǎng)絡(luò)泛化性。

圖3是MNIST上訓(xùn)練得到的LeNet conv1卷積層中的參數(shù)分布，可以看出，大部分權(quán)值集中在0處附近，對(duì)網(wǎng)絡(luò)的貢獻(xiàn)較小，在剪值中，將0值附近的較小的權(quán)值置0，使這些權(quán)值不被激活，從而著重訓(xùn)練剩下的非零權(quán)值，最終在保證網(wǎng)絡(luò)精度不變的情況下達(dá)到壓縮尺寸的目的。

實(shí)驗(yàn)發(fā)現(xiàn)模型對(duì)剪枝更敏感，因此在剪值時(shí)建議逐層迭代修剪，另外每層的剪枝比例如何自動(dòng)選取仍然是一個(gè)值得深入研究的課題。

圖3 LeNet conv1層權(quán)值分布圖

2、Quantization (權(quán)值量化)

此處的權(quán)值量化基于權(quán)值聚類，將連續(xù)分布的權(quán)值離散化，從而減小需要存儲(chǔ)的權(quán)值數(shù)量。

初始化聚類中心，實(shí)驗(yàn)證明線性初始化效果最好；

利用k-means算法進(jìn)行聚類，將權(quán)值劃分到不同的cluster中；

在前向計(jì)算時(shí)，每個(gè)權(quán)值由其聚類中心表示；

在后向計(jì)算時(shí)，統(tǒng)計(jì)每個(gè)cluster中的梯度和將其反傳。

圖4 權(quán)值量化前向和后向計(jì)算過程

3、Huffman encoding(霍夫曼編碼)

霍夫曼編碼采用變長(zhǎng)編碼將平均編碼長(zhǎng)度減小，進(jìn)一步壓縮模型尺寸。

2.2 模型存儲(chǔ)

前述的剪枝和量化都是為了實(shí)現(xiàn)模型的更緊致的壓縮，以實(shí)現(xiàn)減小模型尺寸的目的。

對(duì)于剪枝后的模型，由于每層大量參數(shù)為0，后續(xù)只需將非零值及其下標(biāo)進(jìn)行存儲(chǔ)，文章中采用CSR（Compressed Sparse Row）來進(jìn)行存儲(chǔ)，這一步可以實(shí)現(xiàn)9x~13x的壓縮率。

對(duì)于量化后的模型，每個(gè)權(quán)值都由其聚類中心表示（對(duì)于卷積層，聚類中心設(shè)為256個(gè)，對(duì)于全連接層，聚類中心設(shè)為32個(gè)），因此可以構(gòu)造對(duì)應(yīng)的碼書和下標(biāo)，大大減少了需要存儲(chǔ)的數(shù)據(jù)量，此步能實(shí)現(xiàn)約3x的壓縮率。

最后對(duì)上述壓縮后的模型進(jìn)一步采用變長(zhǎng)霍夫曼編碼，實(shí)現(xiàn)約1x的壓縮率。

2.3 實(shí)驗(yàn)結(jié)果

表4 不同網(wǎng)絡(luò)采用Deep Compression后的壓縮率

通過SqueezeNet+Deep Compression,可以將原始240M的AlexNet壓縮至0.47M，實(shí)現(xiàn)約510x的壓縮率。

2.4 速度考量

可以看出，Deep Compression的主要設(shè)計(jì)是針對(duì)網(wǎng)絡(luò)存儲(chǔ)尺寸的壓縮，但在前向時(shí)，如果將存儲(chǔ)模型讀入展開后，并沒有帶來更大的速度提升。因此Song H.等人專門針對(duì)壓縮后的模型設(shè)計(jì)了一套基于FPGA的硬件前向加速框架EIE[12]，有興趣的可以研究一下。

三、XNorNet

二值網(wǎng)絡(luò)一直是模型壓縮和加速領(lǐng)域經(jīng)久不衰的研究課題之一。將原始32位浮點(diǎn)型的權(quán)值壓縮到1比特，如何最大程度地減小性能損失就成為了研究的關(guān)鍵。

此篇論文主要有以下幾個(gè)貢獻(xiàn)：

提出了一個(gè)BWN（Binary-Weight-Network）和XNOR-Network，前者只對(duì)網(wǎng)絡(luò)參數(shù)做二值化，帶來約32x的存儲(chǔ)壓縮和2x的速度提升，而后者對(duì)網(wǎng)絡(luò)輸入和參數(shù)都做了二值化，在實(shí)現(xiàn)32x存儲(chǔ)壓縮的同時(shí)帶了58x的速度提升；
提出了一個(gè)新型二值化權(quán)值的算法；
第一個(gè)在大規(guī)模數(shù)據(jù)集如ImageNet上提交二值化網(wǎng)絡(luò)結(jié)果的工作；
無需預(yù)訓(xùn)練，可實(shí)現(xiàn)training from scratch。

3.1 BWN

即最優(yōu)的二值化濾波器張量B即為原始參數(shù)的符號(hào)函數(shù)，最優(yōu)的尺度因子為每個(gè)濾波器權(quán)值的絕對(duì)值的均值。

訓(xùn)練算法如圖5所示，值得注意的是，只有在前向計(jì)算和后向傳播時(shí)使用二值化后的權(quán)值，在更新參數(shù)時(shí)依然使用原始參數(shù)，這是因?yàn)槿绻褂枚祷蟮膮?shù)會(huì)導(dǎo)致很小的梯度下降，從而使得訓(xùn)練無法收斂。

3.2 XNOR-Net

在XNOR網(wǎng)絡(luò)中，優(yōu)化的目標(biāo)是將兩個(gè)實(shí)數(shù)向量的點(diǎn)乘近似到兩個(gè)二值向量的點(diǎn)乘，即

在卷積計(jì)算中，輸入和權(quán)值均量化成了二值，因此傳統(tǒng)的乘法計(jì)算變成了異或操作，而非二值化數(shù)據(jù)的計(jì)算只占了很小一部分。

XNOR-Net中一個(gè)典型的卷積單元如圖6所示，與傳統(tǒng)單元不同，各模塊的順序有了調(diào)整。為了減少二值化帶來的精度損失，對(duì)輸入數(shù)據(jù)首先進(jìn)行BN歸一化處理，BinActiv層用于對(duì)輸入做二值化，接著進(jìn)行二值化的卷積操作，最后進(jìn)行pooling。

圖5 BWN訓(xùn)練過程

圖6 傳統(tǒng)卷積單元與XNOR-Net卷積單元對(duì)比

3.3 實(shí)驗(yàn)結(jié)果

表5 ImageNet上二值網(wǎng)絡(luò)與AlexNet結(jié)果對(duì)比

與ALexNet相比，BWN網(wǎng)絡(luò)能夠達(dá)到精度基本不變甚至略好，XNOR-Net由于對(duì)輸入也做了二值化，性能稍降。

四、Distilling

Distilling算法是Hinton等人在論文Distilling the Knowledge in a Neural Network中提出的一種類似網(wǎng)絡(luò)遷移的學(xué)習(xí)算法。

4.1 基本思想

Distilling直譯過來即蒸餾，其基本思想是通過一個(gè)性能好的大網(wǎng)絡(luò)來教小網(wǎng)絡(luò)學(xué)習(xí)，從而使得小網(wǎng)絡(luò)能夠具備跟大網(wǎng)絡(luò)一樣的性能，但蒸餾后的小網(wǎng)絡(luò)參數(shù)規(guī)模遠(yuǎn)遠(yuǎn)小于原始大網(wǎng)絡(luò)，從而達(dá)到壓縮網(wǎng)絡(luò)的目的。

其中，訓(xùn)練小模型(distilled model)的目標(biāo)函數(shù)由兩部分組成

1) 與大模型(cumbersome model)的softmax輸出的交叉熵(cross entropy)，稱為軟目標(biāo)(soft target)。其中，softmax的計(jì)算加入了超參數(shù)溫度T，用以控制輸出，計(jì)算公式變?yōu)?/p>

溫度T越大，輸出的分布越緩和，概率zi/T越小，熵越大，但若T過大，會(huì)導(dǎo)致較大熵引起的不確定性增加，增加了不可區(qū)分性。

至于為何要以soft target來計(jì)算損失，作者認(rèn)為，在分類問題中，真值(groundtruth)是一個(gè)確定性的，即one-hot vector。以手寫數(shù)字分類來說，對(duì)于一個(gè)數(shù)字3，它的label是3的概率是1，而是其他數(shù)值的概率是0，而對(duì)于soft target，它能表征label是3的概率，假如這個(gè)數(shù)字寫的像5，還可以給出label是5的一定概率，從而提供更多信息，如

數(shù)字 0 1 2 3 4 5 6 7 8 9
真值?0?0?0?1?0?0?0?0?0?0?
軟目標(biāo)?0?0?0?0.95?0?0.048?0.002?0?0?0

2)與真值(groundtruth)的交叉熵(T=1)

訓(xùn)練的損失為上述兩項(xiàng)損失的加權(quán)和，通常第二項(xiàng)要小很多。

4.2 實(shí)驗(yàn)結(jié)果

作者給出了在語音識(shí)別上的實(shí)驗(yàn)結(jié)果對(duì)比，如下表

表6 蒸餾模型與原始模型精度對(duì)比[8]

上表顯示，蒸餾后的模型的精確度和單字錯(cuò)誤率和用于產(chǎn)生軟目標(biāo)的10個(gè)模型的性能相當(dāng)，小模型成功地學(xué)到了大模型的識(shí)別能力。

4.3 速度考量

Distilling的提出原先并非針對(duì)網(wǎng)絡(luò)加速，而最終計(jì)算的效率仍然取決于蒸餾模型的計(jì)算規(guī)模，但理論上蒸餾后的小模型相對(duì)原始大模型的計(jì)算速度在一定程度上會(huì)有提升，但速度提升的比例和性能維持的權(quán)衡是一個(gè)值得研究的方向。

五、MobileNet

MobileNet是由Google提出的針對(duì)移動(dòng)端部署的輕量級(jí)網(wǎng)絡(luò)架構(gòu)。考慮到移動(dòng)端計(jì)算資源受限以及速度要求嚴(yán)苛，MobileNet引入了傳統(tǒng)網(wǎng)絡(luò)中原先采用的group思想，即限制濾波器的卷積計(jì)算只針對(duì)特定的group中的輸入，從而大大降低了卷積計(jì)算量，提升了移動(dòng)端前向計(jì)算的速度。

5.1 卷積分解

MobileNet借鑒factorized convolution的思想，將普通卷積操作分成兩部分：

Depthwise Convolution

每個(gè)卷積核濾波器只針對(duì)特定的輸入通道進(jìn)行卷積操作，如下圖所示，其中M是輸入通道數(shù)，DK是卷積核尺寸：

圖7 Depthwise Convolution

Depthwise convolution的計(jì)算復(fù)雜度為 DKDKMDFDF，其中DF是卷積層輸出的特征圖的大小。

Pointwise Convolution
采用1x1大小的卷積核將depthwise convolution層的多通道輸出進(jìn)行結(jié)合，如下圖，其中N是輸出通道數(shù)：

圖8 Pointwise Convolution[

Pointwise Convolution的計(jì)算復(fù)雜度為 MNDFDF

上面兩步合稱depthwise separable convolution

標(biāo)準(zhǔn)卷積操作的計(jì)算復(fù)雜度為DKDKMNDFDF

因此，通過將標(biāo)準(zhǔn)卷積分解成兩層卷積操作，可以計(jì)算出理論上的計(jì)算效率提升比例：

對(duì)于3x3尺寸的卷積核來說，depthwise separable convolution在理論上能帶來約8～9倍的效率提升。

5.2 模型架構(gòu)

圖9 普通卷積單元與MobileNet 卷積單元對(duì)比

MobileNet的卷積單元如上圖所示，每個(gè)卷積操作后都接著一個(gè)BN操作和ReLU操作。在MobileNet中，由于3x3卷積核只應(yīng)用在depthwise convolution中，因此95%的計(jì)算量都集中在pointwise convolution 中的1x1卷積中。而對(duì)于caffe等采用矩陣運(yùn)算GEMM實(shí)現(xiàn)卷積的深度學(xué)習(xí)框架，1x1卷積無需進(jìn)行im2col操作，因此可以直接利用矩陣運(yùn)算加速庫進(jìn)行快速計(jì)算，從而提升了計(jì)算效率。

5.3 實(shí)驗(yàn)結(jié)果

表7 MobileNet與主流大模型在ImageNet上精度對(duì)比

上表顯示，MobileNet在保證精度不變的同時(shí)，能夠有效地減少計(jì)算操作次數(shù)和參數(shù)量，使得在移動(dòng)端實(shí)時(shí)前向計(jì)算成為可能。

六、ShuffleNet

ShuffleNet是Face++今年提出了一篇用于移動(dòng)端前向部署的網(wǎng)絡(luò)架構(gòu)。ShuffleNet基于MobileNet的group思想，將卷積操作限制到特定的輸入通道。而與之不同的是，ShuffleNet將輸入的group進(jìn)行打散，從而保證每個(gè)卷積核的感受野能夠分散到不同group的輸入中，增加了模型的學(xué)習(xí)能力。

6.1 設(shè)計(jì)思想

我們知道，卷積中的group操作能夠大大減少卷積操作的計(jì)算次數(shù)，而這一改動(dòng)帶來了速度增益和性能維持在MobileNet等文章中也得到了驗(yàn)證。然而group操作所帶來的另一個(gè)問題是：特定的濾波器僅對(duì)特定通道的輸入進(jìn)行作用，這就阻礙了通道之間的信息流傳遞，group數(shù)量越多，可以編碼的信息就越豐富，但每個(gè)group的輸入通道數(shù)量減少，因此可能造成單個(gè)卷積濾波器的退化，在一定程度上削弱了網(wǎng)絡(luò)了表達(dá)能力。

6.2 網(wǎng)絡(luò)架構(gòu)

在此篇工作中，網(wǎng)絡(luò)架構(gòu)的設(shè)計(jì)主要有以下幾個(gè)創(chuàng)新點(diǎn)：

提出了一個(gè)類似于ResNet的BottleNeck單元
借鑒ResNet的旁路分支思想，ShuffleNet也引入了類似的網(wǎng)絡(luò)單元。不同的是，在stride=2的單元中，用concat操作代替了add操作，用average pooling代替了1x1stride=2的卷積操作，有效地減少了計(jì)算量和參數(shù)。單元結(jié)構(gòu)如圖10所示。

提出將1x1卷積采用group操作會(huì)得到更好的分類性能
在MobileNet中提過，1x1卷積的操作占據(jù)了約95%的計(jì)算量，所以作者將1x1也更改為group卷積，使得相比MobileNet的計(jì)算量大大減少。

提出了核心的shuffle操作將不同group中的通道進(jìn)行打散，從而保證不同輸入通道之間的信息傳遞。

ShuffleNet的shuffle操作如圖11所示。

圖10 ShuffleNet網(wǎng)絡(luò)單元

圖11 不同group間的shuffle操作

6.3 實(shí)驗(yàn)結(jié)果

表8 ShuffleNet與MobileNet在ImageNet上精度對(duì)比

上表顯示，相對(duì)于MobileNet，ShuffleNet的前向計(jì)算量不僅有效地得到了減少，而且分類錯(cuò)誤率也有明顯提升，驗(yàn)證了網(wǎng)絡(luò)的可行性。

6.4 速度考量

作者在ARM平臺(tái)上對(duì)網(wǎng)絡(luò)效率進(jìn)行了驗(yàn)證，鑒于內(nèi)存讀取和線程調(diào)度等因素，作者發(fā)現(xiàn)理論上4x的速度提升對(duì)應(yīng)實(shí)際部署中約2.6x。作者給出了與原始AlexNet的速度對(duì)比，如下表。

表9 ShuffleNet與AlexNet在ARM平臺(tái)上速度對(duì)比 [10]

結(jié)束語

近幾年來，除了學(xué)術(shù)界涌現(xiàn)的諸多CNN模型加速工作，工業(yè)界各大公司也推出了自己的移動(dòng)端前向計(jì)算框架，如Google的Tensorflow、Facebook的caffe2以及蘋果今年剛推出的CoreML。相信結(jié)合不斷迭代優(yōu)化的網(wǎng)絡(luò)架構(gòu)和不斷發(fā)展的硬件計(jì)算加速技術(shù)，未來深度學(xué)習(xí)在移動(dòng)端的部署將不會(huì)是一個(gè)難題。

參考文獻(xiàn)

[1] ImageNet Classification with Deep Convolutional Neural Networks

[2] Very Deep Convolutional Networks for Large-Scale Image Recognition

[3] Going Deeper with Convolutions

[4] Rethinking the Inception Architecture for Computer Vision

[5] SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and < 0.5MB model size

[6] Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding

[7] Distilling the Knowledge in a Neural Network

[8] XNOR-Net: ImageNet Classification Using Binary Convolutional Neural Networks

[9] MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

[10] ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices

[11] Network in Network

[12] EIE: Efficient Inference Engine on Compressed Deep Neural Network