深度學(xué)習(xí)在模型及其數(shù)據(jù)集方面正在以驚人的速度增長(zhǎng)。在應(yīng)用方面，深度學(xué)習(xí)市場(chǎng)以圖像識(shí)別為主，其次是光學(xué)字符識(shí)別，以及面部和物體識(shí)別。根據(jù) Allied 的市場(chǎng)調(diào)查，2020 年全球深度學(xué)習(xí)市場(chǎng)規(guī)模為 68.5 億美元，預(yù)計(jì)到 2030 年將達(dá)到 1799.6 億美元，從 2021 年到 2030 年的復(fù)合年增長(zhǎng)率為 39.2%。

在某個(gè)時(shí)間點(diǎn)，人們認(rèn)為大型和復(fù)雜的模型表現(xiàn)更好，但現(xiàn)在它幾乎是一個(gè)神話。隨著邊緣AI的發(fā)展，越來(lái)越多的技術(shù)將大型復(fù)雜模型轉(zhuǎn)換為可以在邊緣上運(yùn)行的簡(jiǎn)單模型，所有這些技術(shù)結(jié)合在一起執(zhí)行模型壓縮。

什么是模型壓縮？

模型壓縮是在具有低計(jì)算能力和內(nèi)存的邊緣設(shè)備上部署SOTA（最先進(jìn)的）深度學(xué)習(xí)模型的過(guò)程，而不會(huì)影響模型在準(zhǔn)確性，精度，召回性等方面的性能。模型壓縮廣泛地減少了模型中的兩件事，即大小和延遲。大小減小側(cè)重于通過(guò)減少模型參數(shù)使模型更簡(jiǎn)單，從而減少執(zhí)行中的 RAM 要求和內(nèi)存中的存儲(chǔ)要求。減少延遲是指減少模型進(jìn)行預(yù)測(cè)或推斷結(jié)果所花費(fèi)的時(shí)間。模型大小和延遲通常是一起的，大多數(shù)技術(shù)都會(huì)減少兩者。

流行的模型壓縮技術(shù)

修剪：

修剪是模型壓縮的最流行的技術(shù)，它通過(guò)刪除冗余和無(wú)關(guān)緊要的參數(shù)來(lái)工作。神經(jīng)網(wǎng)絡(luò)中的這些參數(shù)可以是連接器、神經(jīng)元、通道，甚至是層。它很受歡迎，因?yàn)樗瑫r(shí)減小了模型的大小并改善了延遲。

修剪

修剪可以在訓(xùn)練模型時(shí)或在訓(xùn)練后完成。有不同類型的修剪技術(shù)，包括重量/連接修剪，神經(jīng)元修剪，過(guò)濾器修剪和層修剪。

量化：

當(dāng)我們?cè)谛藜糁幸瞥窠?jīng)元，連接，過(guò)濾器，層等以減少加權(quán)參數(shù)的數(shù)量時(shí)，權(quán)重的大小在量化過(guò)程中減小。在此過(guò)程中，較大集中的值將映射到較小集中的值。與輸入網(wǎng)絡(luò)相比，輸出網(wǎng)絡(luò)的值范圍較窄，但保留了大部分信息。

知識(shí)提煉：

在知識(shí)提煉過(guò)程中，一個(gè)復(fù)雜而大型的模型在一個(gè)非常大的數(shù)據(jù)集上被訓(xùn)練。微調(diào)大型模型后，它可以很好地處理看不見(jiàn)的數(shù)據(jù)。一旦實(shí)現(xiàn)，這些知識(shí)就會(huì)轉(zhuǎn)移到較小的神經(jīng)網(wǎng)絡(luò)或模型中。同時(shí)使用教師網(wǎng)絡(luò)（較大模型）和學(xué)生網(wǎng)絡(luò)（較小模型）。這里存在兩個(gè)方面，知識(shí)提煉，其中我們不調(diào)整教師模型，而在遷移學(xué)習(xí)中，我們使用確切的模型和權(quán)重，在一定程度上改變模型，并針對(duì)相關(guān)任務(wù)進(jìn)行調(diào)整。

知識(shí)蒸餾系統(tǒng)

知識(shí)、蒸餾算法和師生架構(gòu)模型是典型知識(shí)蒸餾系統(tǒng)的三個(gè)主要部分，如上圖所示。

低矩陣分解：

矩陣構(gòu)成了大多數(shù)深度神經(jīng)架構(gòu)的大部分。該技術(shù)旨在通過(guò)應(yīng)用矩陣或張量分解并將它們變成更小的矩陣來(lái)識(shí)別冗余參數(shù)。當(dāng)應(yīng)用于密集 DNN（深度神經(jīng)網(wǎng)絡(luò)）時(shí)，此技術(shù)可降低 CNN（卷積神經(jīng)網(wǎng)絡(luò)）層的存儲(chǔ)要求和因式分解，并縮短推理時(shí)間。具有二維且具有秩 r 的權(quán)重矩陣 A 可以分解為更小的矩陣，如下所示。

低矩陣因式分解

模型準(zhǔn)確性和性能在很大程度上取決于正確的因式分解和秩選擇。低秩因式分解過(guò)程中的主要挑戰(zhàn)是更難實(shí)現(xiàn)，并且計(jì)算密集型?？傮w而言，與全秩矩陣表示相比，密集層矩陣的因式分解可導(dǎo)致更小的模型和更快的性能。

由于邊緣AI，模型壓縮策略變得非常重要。這些方法相互補(bǔ)充，可以在整個(gè)AI管道的各個(gè)階段使用。像張量流和Pytorch這樣的流行框架現(xiàn)在包括修剪和量化等技術(shù)。最終，該領(lǐng)域使用的技術(shù)數(shù)量將會(huì)增加。

審核編輯：郭婷