（附代码）卷积网络压缩方法总结

01

一般地，行阶梯型矩阵的秩等于其“台阶数”-非零行的行数。

给定权重矩阵，若能将其表示为若干个低秩矩阵的组合，即  , 其中  为低秩矩阵，其秩为  , 并满足  ，则其每一个低秩矩阵都可分解为小规模矩阵的乘积，  ，其中 ，  。当  取值很小时，便能大幅降低总体的存储和计算开销。

1.1，总结

02

2.1，总结

03

标量量化算法基本思路是，对于每一个权重矩阵  ，首先将其转化为向量形式：  。之后对该权重向量的元素进行  个簇的聚类，这可借助于经典的 k-均值（k-means）聚类算法快速完成：

这样，只需将  个聚类中心（  ，标量）存储在码本中，而原权重矩阵则只负责记录各自聚类中心在码本中索引。如果不考虑码本的存储开销，该算法能将存储空间减少为原来的  。基于  均值算法的标量量化在很多应用中非常有效。参数量化与码本微调过程图如下：

3.1，总结

04

def residual_unit(data, num_filter, stride, dim_match, num_bits=1):    """残差块 Residual Block 定义    """    bnAct1 = bnn.BatchNorm(data=data, num_bits=num_bits)    conv1 = bnn.Convolution(data=bnAct1, num_filter=num_filter, kernel=(3, 3), stride=stride, pad=(1, 1))    convBn1 = bnn.BatchNorm(data=conv1, num_bits=num_bits)    conv2 = bnn.Convolution(data=convBn1, num_filter=num_filter, kernel=(3, 3), stride=(1, 1), pad=(1, 1))    if dim_match:        shortcut = data    else:        shortcut = bnn.Convolution(data=bnAct1, num_filter=num_filter, kernel=(3, 3), stride=stride, pad=(1, 1))    return conv2 + shortcut

4.1，二值网络的梯度下降

• 利用决定化方式（sign(x)函数）把 Weight 量化为 +1/-1, 以0为阈值
• 利用量化后的 Weight (只有+1/-1)来计算前向传播，由二值权重与输入进行卷积运算（实际上只涉及加法），获得卷积层输出。
• 反向传播 Backward Pass:
• 把梯度更新到浮点的 Weight 上（根据放松后的符号函数，计算相应梯度值，并根据该梯度的值对单精度的权重进行参数更新）
• 训练结束：把 Weight 永久性转化为 +1/-1, 以便 inference 使用

4.2，两个问题

• 直接根据权重的正负进行二值化：  。符号函数 sign(x) 定义如下： 

• 进行随机的二值化，即对每一个权重，以一定概率取  。

二值权重的梯度为0，无法进行参数更新。为解决这个问题，需要对符号函数进行放松，即用  来代替  。当 x 在区间 [-1,1] 时，存在梯度值 1，否则梯度为 0 。

4.3，二值连接算法改进

其中  为该层的输入张量，  为该层的一个滤波器，  为该滤波器所对应的二值权重。

这里，Rastegari 等人认为单靠二值运算，很难达到原单精度卷积元素的结果，于是他们使用了一个单精度放缩因子  来对二值滤波器卷积后的结果进行放缩。而  的取值，则可根据优化目标：

 得到  。二值连接改进的算法训练过程与之前的算法大致相同，不同的地方在于梯度的计算过程还考虑了  的影响。由于  这个单精度的缩放因子的存在，有效降低了重构误差，并首次在 ImageNet 数据集上取得了与 Alex-Net 相当的精度。如下图所示：

4.4，二值网络设计注意事项

• 不要使用 kernel = (1, 1) 的 Convolution （包括 resnet 的 bottleneck）：二值网络中的 weight 都为 1bit， 如果再是 1x1 大小， 会极大地降低表达能力
• 增大 Channel 数目 + 增大 activation bit 数 要协同配合：如果一味增大 channel 数， 最终 feature map 因为 bit 数过低， 还是浪费了模型容量。同理反过来也是。
• 建议使用 4bit 及以下的 activation bit， 过高带来的精度收益变小， 而会显著提高 inference 计算量

05

本文只简单介绍这个领域的开篇之作-Distilling the Knowledge in a Neural Network，这是蒸 "logits"方法，后面还出现了蒸 "features" 的论文。想要更深入理解，中文博客可参考这篇文章-知识蒸馏是什么？一份入门随笔(https://zhuanlan.zhihu.com/p/90049906)。

知识蒸馏（knowledge distillation）(https://arxiv.org/abs/1503.02531)，是迁移学习（transfer learning）的一种，简单来说就是训练一个大模型（teacher）和一个小模型（student），将庞大而复杂的大模型学习到的知识，通过一定技术手段迁移到精简的小模型上，从而使小模型能够获得与大模型相近的性能。

在知识蒸馏的实验中，我们先训练好一个 teacher 网络，然后将 teacher 的网络的输出结果  作为 student 网络的目标，训练 student 网络，使得 student 网络的结果  接近  ，因此，student 网络的损失函数为  。这里 CE 是交叉熵（Cross Entropy），  是真实标签的 onehot 编码，  是 teacher 网络的输出结果，  是 student 网络的输出结果。

但是，直接使用 teacher 网络的 softmax 的输出结果 q，可能不大合适。因此，一个网络训练好之后，对于正确的答案会有一个很高的置信度。例如，在 MNIST 数据中，对于某个 2 的输入，对于 2 的预测概率会很高，而对于 2 类似的数字，例如 3 和 7 的预测概率为 10−6 和 10−9。这样的话，teacher 网络学到数据的相似信息（例如数字 2 和 3，7 很类似）很难传达给 student 网络，因为它们的概率值接近0。因此，论文提出了 softmax-T(软标签计算公式)公式，如下所示：

这里  是 student 网络学习的对象（soft targets）， 是 teacher 网络 softmax 前一层的输出 logit。如果将  取 1，上述公式变成 softmax，根据 logit 输出各个类别的概率。如果  接近于 0，则最大的值会越近 1，其它值会接近 0，近似于 onehot 编码。

所以，可以知道 student 模型最终的损失函数由两部分组成：

• 第一项是由小模型(student 模型)的预测结果与大模型的“软标签”所构成的交叉熵（cross entroy）;

• 第二项为小模型预测结果与普通类别标签的交叉熵。

这两个损失函数的重要程度可通过一定的权重进行调节，在实际应用中， T 的取值会影响最终的结果，一般而言，较大的 T 能够获得较高的准确度，T（蒸馏温度参数） 属于知识蒸馏模型训练超参数的一种。T 是一个可调节的超参数、T 值越大、概率分布越软（论文中的描述），曲线便越平滑，相当于在迁移学习的过程中添加了扰动，从而使得学生网络在借鉴学习的时候更有效、泛化能力更强，这其实就是一种抑制过拟合的策略。知识蒸馏的整个过程如下图：

student 模型的实际模型结构和小模型一样，但是损失函数包含了两部分，分类网络的知识蒸馏 mxnet 代码示例如下：

# -*-coding-*-  : utf-8  """本程序没有给出具体的模型结构代码，主要给出了知识蒸馏 softmax 损失计算部分。"""import mxnet as mx
def get_symbol(data, class_labels, resnet_layer_num,Temperature,mimic_weight,num_classes=2):    backbone = StudentBackbone(data)  # Backbone 为分类网络 backbone 类    flatten = mx.symbol.Flatten(data=conv1, name="flatten")    fc_class_score_s = mx.symbol.FullyConnected(data=flatten, num_hidden=num_classes, name='fc_class_score')    softmax1 = mx.symbol.SoftmaxOutput(data=fc_class_score_s, label=class_labels, name='softmax_hard')
    import symbol_resnet  # Teacher model    fc_class_score_t = symbol_resnet.get_symbol(net_depth=resnet_layer_num, num_class=num_classes, data=data)
    s_input_for_softmax=fc_class_score_s/Temperature    t_input_for_softmax=fc_class_score_t/Temperature
    t_soft_labels=mx.symbol.softmax(t_input_for_softmax, name='teacher_soft_labels')    softmax2 = mx.symbol.SoftmaxOutput(data=s_input_for_softmax, label=t_soft_labels, name='softmax_soft',grad_scale=mimic_weight)    group=mx.symbol.Group([softmax1,softmax2])    group.save('group2-symbol.json')
    return group

tensorflow代码示例如下：

# 将类别标签进行one-hot编码one_hot = tf.one_hot(y, n_classes,1.0,0.0) # n_classes为类别总数, n为类别标签# one_hot = tf.cast(one_hot_int, tf.float32)teacher_tau = tf.scalar_mul(1.0/args.tau, teacher) # teacher为teacher模型直接输出张量, tau为温度系数Tstudent_tau = tf.scalar_mul(1.0/args.tau, student) # 将模型直接输出logits张量student处于温度系数Tobjective1 = tf.nn.sigmoid_cross_entropy_with_logits(student_tau, one_hot)objective2 = tf.scalar_mul(0.5, tf.square(student_tau-teacher_tau))"""student模型最终的损失函数由两部分组成：第一项是由小模型的预测结果与大模型的“软标签”所构成的交叉熵（cross entroy）;第二项为预测结果与普通类别标签的交叉熵。"""tf_loss = (args.lamda*tf.reduce_sum(objective1) + (1-args.lamda)*tf.reduce_sum(objective2))/batch_size

tf.scalar_mul 函数为对 tf 张量进行固定倍率 scalar 缩放函数。一般 T 的取值在 1 - 20 之间，这里我参考了开源代码，取值为 3。我发现在开源代码中 student 模型的训练，有些是和 teacher 模型一起训练的，有些是 teacher 模型训练好后直接指导 student 模型训练。

06

参考资料

1. https://www.cnblogs.com/dyl222/p/11079489.html

2.https://github.com/chengshengchan/model_compression/blob/master/teacher-student.py

3. https://github.com/dkozlov/awesome-knowledge-distillation

4. https://arxiv.org/abs/1603.05279

5. 解析卷积神经网络-深度学习实践手册

6. https://zhuanlan.zhihu.com/p/81467832

整理不易，点赞支持一下吧↓