雷鋒網(wǎng) AI 科技評(píng)論按，深度神經(jīng)網(wǎng)絡(luò)（DNN）在解決圖像分類、文本識(shí)別和語(yǔ)音轉(zhuǎn)換等實(shí)際難題方面具有顯著的效果。然而，為一個(gè)給定的問(wèn)題設(shè)計(jì)一個(gè)合適的 DNN 體系結(jié)構(gòu)仍然是一個(gè)具有挑戰(zhàn)性的任務(wù)?？紤]到架構(gòu)可能需要巨大的搜索空間，從頭開(kāi)始為特定的應(yīng)用程序設(shè)計(jì)一個(gè)網(wǎng)絡(luò)在計(jì)算資源和時(shí)間方面花銷可能非常大。神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索和 AdaNet 等方法利用機(jī)器學(xué)習(xí)來(lái)搜索設(shè)計(jì)空間，以便找到改進(jìn)架構(gòu)的方法。另一種選擇是將現(xiàn)有的體系結(jié)構(gòu)用于類似的問(wèn)題，并一次性為手頭的任務(wù)進(jìn)行優(yōu)化。

正對(duì)這個(gè)問(wèn)題，谷歌 AI 發(fā)布了一篇博文討論了 MorphNet。MorphNet 是一種復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型細(xì)化技術(shù)，它采用了上面說(shuō)的第二種方法。本文對(duì) MorphNet 的解釋是：「深度神經(jīng)網(wǎng)絡(luò)的快速、簡(jiǎn)單的資源受限結(jié)構(gòu)學(xué)習(xí)」。MorphNet 以現(xiàn)有的神經(jīng)網(wǎng)絡(luò)為輸入，生成一個(gè)更小、更快、性能更好的新神經(jīng)網(wǎng)絡(luò)，以適應(yīng)新的問(wèn)題。我們已經(jīng)將這項(xiàng)技術(shù)應(yīng)用于「Google-scale」問(wèn)題，以設(shè)計(jì)更小、更準(zhǔn)確的生產(chǎn)服務(wù)網(wǎng)絡(luò)。而且，現(xiàn)在我們已經(jīng)向社區(qū)開(kāi)放了 MorphNet 的 TensorFlow 實(shí)現(xiàn)，這樣你就可以使用它來(lái)提高你的模型的效率。

它是如何工作的

MorphNet 通過(guò)收縮和擴(kuò)展階段的循環(huán)優(yōu)化神經(jīng)網(wǎng)絡(luò)。在收縮階段，MorphNet 識(shí)別效率低下的神經(jīng)元，并利用稀疏正則化器將其從網(wǎng)絡(luò)中刪去，這樣網(wǎng)絡(luò)的總損失函數(shù)就包含每個(gè)神經(jīng)元的成本。然而，MorphNet 并沒(méi)有對(duì)每個(gè)神經(jīng)元使用一樣的成本，而是根據(jù)目標(biāo)資源計(jì)算神經(jīng)元成本。隨著訓(xùn)練的進(jìn)行，優(yōu)化器在計(jì)算梯度時(shí)會(huì)意識(shí)到資源成本，從而了解哪些神經(jīng)元是是節(jié)省資源的，哪些神經(jīng)元可以被移除。

例如，考慮 MorphNet 如何計(jì)算神經(jīng)網(wǎng)絡(luò)的計(jì)算成本，以觸發(fā)器為例。為了簡(jiǎn)單起見(jiàn)，讓我們考慮一個(gè)用矩陣乘法表示的神經(jīng)網(wǎng)絡(luò)層。在這種情況下，層有 2 個(gè)輸入（xn），6 個(gè)權(quán)重（a，b，…，f）和 3 個(gè)輸出（yn；神經(jīng)元）。使用標(biāo)準(zhǔn)教科書中的行和列相乘的方法，可以計(jì)算出評(píng)估該層需要 6 次相乘。

神經(jīng)元的計(jì)算成本

MorphNet 將其計(jì)算為輸入計(jì)數(shù)和輸出計(jì)數(shù)的乘積。注意，盡管左邊的例子顯示了兩個(gè)為 0 的權(quán)重值，我們?nèi)匀恍枰獔?zhí)行所有的乘法來(lái)評(píng)估這個(gè)層。然而，中間的例子顯示了結(jié)構(gòu)化稀疏性，其中神經(jīng)元 yn 中的所有行權(quán)重都為 0。MorphNet 識(shí)別出這個(gè)層的乘法數(shù)從 6 減少到 4，于是這個(gè)層的新輸出計(jì)數(shù)是 2。利用這一思想，MorphNet 可以確定網(wǎng)絡(luò)中每個(gè)神經(jīng)元的增量成本，從而生成一個(gè)更有效的模型（右邊），其中神經(jīng)元 y3 已經(jīng)被移除。

在展開(kāi)階段，我們使用寬度乘數(shù)來(lái)均勻地?cái)U(kuò)展所有的層大小。例如，如果我們擴(kuò)大 50%，那么一個(gè)以 100 個(gè)神經(jīng)元開(kāi)始并縮小到 10 個(gè)的低效率層只會(huì)擴(kuò)大到 15 個(gè)，而一個(gè)只縮小到 80 個(gè)神經(jīng)元的重要層可能會(huì)擴(kuò)大到 120 個(gè)，并有更多的資源來(lái)工作。也就是將計(jì)算資源從網(wǎng)絡(luò)中效率較低的部分重新分配到可能更高效的部分。

在縮減階段之后，人們可以停止 MorphNet，只需縮減網(wǎng)絡(luò)以滿足更嚴(yán)格的資源預(yù)算。這會(huì)導(dǎo)致在給定目標(biāo)成本的時(shí)候網(wǎng)絡(luò)效率更高，但有時(shí)也會(huì)導(dǎo)致精度下降。另外，用戶還可以完成擴(kuò)展階段，該階段將與原始目標(biāo)資源成本相匹配，但提高了準(zhǔn)確性。稍后我們通過(guò)一個(gè)示例來(lái)介紹這個(gè)的完整實(shí)現(xiàn)過(guò)程。

為什么是 MorphNet？

MorphNet 提供了四個(gè)關(guān)鍵的有價(jià)值的主張：

有針對(duì)性的正則化：與其他稀疏的正則化方法相比，MorphNet 采取的正則化方法目的性更強(qiáng)。尤其是，MorphNet 方法進(jìn)行更好的稀疏化的目的是減少特定的資源。這可以更好地控制由 MorphNet 生成的網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)應(yīng)用領(lǐng)域和相關(guān)約束，MorphNet 可以有明顯的不同。例如，下圖的左側(cè)面板顯示了一個(gè)基線網(wǎng)絡(luò)，該網(wǎng)絡(luò)具有在 JFT 上訓(xùn)練的常用 ResNet-101 體系結(jié)構(gòu)。當(dāng)以觸發(fā)器（中間圖，觸發(fā)器減少 40%）或模型大?。ㄓ覉D，權(quán)重減少 43%）為目標(biāo)時(shí)，MorphNet 生成的結(jié)構(gòu)有很大不同。在優(yōu)化計(jì)算成本時(shí)，較低層網(wǎng)絡(luò)中的高分辨率神經(jīng)元比低分辨率神經(jīng)元更容易受到修剪。當(dāng)模型尺寸較小時(shí)，在修剪權(quán)衡上正好相反。

MorphNet 有針對(duì)性的正則化。矩形寬度與層中的通道數(shù)成正比。底部的紫色條是輸入層。左圖：基線網(wǎng)絡(luò)用作 MorphNet 的輸入。中圖：輸出應(yīng)用觸發(fā)器調(diào)節(jié)器。右圖：輸出應(yīng)用大小調(diào)整器。

MorphNet 是為數(shù)不多的能夠針對(duì)特定參數(shù)進(jìn)行優(yōu)化的解決方案之一。這使它能夠針對(duì)特定實(shí)現(xiàn)的參數(shù)。例如，可以通過(guò)結(jié)合特定于設(shè)備的計(jì)算時(shí)間和內(nèi)存時(shí)間，將延遲作為一階優(yōu)化參數(shù)。

拓?fù)渥冃危寒?dāng) MorphNet 學(xué)習(xí)每層神經(jīng)元的數(shù)量時(shí)，算法在一個(gè)層中稀疏所有神經(jīng)元的過(guò)程中可能會(huì)遇到一種特殊的情況。當(dāng)一個(gè)層有 0 個(gè)神經(jīng)元時(shí)，通過(guò)切斷網(wǎng)絡(luò)中受影響的分支，可以有效地改變網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。例如，當(dāng)遇到 ResNet 體系結(jié)構(gòu)時(shí)，MorphNet 可能保留 skip-connection，但刪除殘差塊，如下左圖所示。對(duì)于 Inception 樣式的架構(gòu)，MorphNet 可能會(huì)刪除整個(gè)平行的塔，如右圖所示。

左圖：MorphNet 可以刪除 ResNet 樣式網(wǎng)絡(luò)中的殘差連接。右圖：它還可以刪除 Inception 樣式的網(wǎng)絡(luò)中的平行塔。

可擴(kuò)展性：MorphNet 在一次訓(xùn)練中學(xué)習(xí)新的結(jié)構(gòu)，在培訓(xùn)預(yù)算有限時(shí)，它是一個(gè)很好的方法。MorphNet 也可以直接應(yīng)用于昂貴的網(wǎng)絡(luò)和數(shù)據(jù)集。例如，在上面的比較中，MorphNet 直接應(yīng)用于 ResNet-101，而它最初是在 JFT 上花費(fèi)了 100 個(gè) GPU 月訓(xùn)練的。

可移植性：MorphNet 產(chǎn)生的網(wǎng)絡(luò)是「可移植的」，從這個(gè)意義上說(shuō)，它們是打算從頭開(kāi)始重新訓(xùn)練的，并且權(quán)重與體系結(jié)構(gòu)學(xué)習(xí)過(guò)程無(wú)關(guān)。你不必?fù)?dān)心復(fù)制檢查點(diǎn)或遵循特殊的訓(xùn)練規(guī)則，而只需像平時(shí)一樣訓(xùn)練你的新網(wǎng)絡(luò)！

變形網(wǎng)絡(luò)

作為一個(gè)演示，我們將 MorphNet 應(yīng)用于在 ImageNet 上通過(guò)目標(biāo)定位 FLOPs 訓(xùn)練的 Inception V2（見(jiàn)下文）。基線方法是使用一個(gè)寬度倍增器，通過(guò)均勻地縮小每個(gè)卷積（紅色）的輸出數(shù)量來(lái)權(quán)衡精度和觸發(fā)器。MorphNet 方法的目標(biāo)是直接 FLOPs，并在縮小模型時(shí)產(chǎn)生更好的權(quán)衡曲線（藍(lán)色）。在這種情況下，與基線相比，觸發(fā)器成本降低了 11% 到 15%，而精確度相同。

MorphNet 應(yīng)用于 ImageNet 上的 Inception V2。單獨(dú)使用 FLOP 正則化器（藍(lán)色）可將性能相對(duì)于基線（紅色）提高 11-15%。在一個(gè)完整的周期中，正則化器和寬度乘法器在相同的成本（「x1」；紫色）下提高了精度，并在第二個(gè)周期（「x2」；青色）持續(xù)改進(jìn)。

此時(shí)，您可以選擇一個(gè) MorphNet 網(wǎng)絡(luò)來(lái)滿足較小的 FLOP 預(yù)算?；蛘?，您可以通過(guò)將網(wǎng)絡(luò)擴(kuò)展回原始的 FLOP 成本來(lái)完成這個(gè)周期，從而在相同的成本（紫色）下獲得更好的準(zhǔn)確性。再次重復(fù)變形網(wǎng)縮小\擴(kuò)展循環(huán)會(huì)導(dǎo)致另一個(gè)精度增加（青色），使總精度增加 1.1%。

結(jié)論

我們已經(jīng)將 MorphNet 應(yīng)用到了谷歌的幾個(gè)量產(chǎn)級(jí)圖像處理模型中。使用 MorphNet 可以在質(zhì)量幾乎沒(méi)有損失的情況下顯著減少模型大小。我們邀請(qǐng)您嘗試 MorphNet。可以在這里找到開(kāi)源 TensorFlow 實(shí)現(xiàn)方法，還可以閱讀 MorphNet 論文了解更多詳細(xì)信息。

via：https://ai.googleblog.com/

雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。