近日,腾讯优图实验室在模型压缩任务中获得创新性突破,提出的基于滤波器骨架的逐条剪枝算法(Stripe-Wise Pruning,SWP),刷新了滤波器剪枝的SOTA效果。相关论文(Pruning Filter in Filter)已被机器学习领域的国际顶级会议Conference on Neural Information Processing Systems(NeurIPS 2020)收录。
图1 Stripe-Wise Pruning与几种主流Pruning方式的区别
神经网络的具有结构和参数这两个属性,这两个属性都具有重要意义。本文指出神经网络的滤波器除了通常使用的参数属性以外,还有一种形状属性。形状属性之前一直隐含在参数中,通过训练每个滤波器的参数使其获得不同的形状。滤波器的形状属性具有重要的意义。具有合适形状的滤波器,即使参数是随机的,也能具有较好的性能。
因此本文通过一种名为滤波器骨架(Filter Skeleton,FS)的模块来显性地学习滤波器的形状(如图中①)。当训练结束,我们可以将FS乘回参数上,因此不会引入额外的参数(如图中②)。
图2 PFF方法流程示意图
对于不在骨架上的参数,使用逐条裁剪的方法将其整条(stripe,1*1滤波器)裁剪掉。
具体的,首先通过卷积计算顺序的变换,可以将滤波器从Filter wise等价变换为stripe wise(如图中③)。接下来就可以使用正常的滤波器剪枝方法对其进行裁剪(如图中④)。
该方法的创新点包括:
(1) 提出滤波器除了参数属性外,还存在形状属性,并且形状属性具有重要意义。
(2) 提出滤波器骨架的模块来学习滤波器的形状,并可以指导模型剪枝。
(3) 通过变换普通卷积为Stripe-Wise Convolution,结构化的实现逐条剪枝后的模型。
逐条剪枝算法在CIFAR10和ImageNet数据集上达到了SOTA效果。
