pytorch實現(xiàn)模型剪枝的操作方法
一，剪枝分類
所謂模型剪枝，其實是一種從神經(jīng)網(wǎng)絡中移除"不必要"權(quán)重或偏差（weigths/bias）的模型壓縮技術(shù)。關于什么參數(shù)才是“不必要的”，這是一個目前依然在研究的領域。
1.1，非結(jié)構(gòu)化剪枝
非結(jié)構(gòu)化剪枝（Unstructured Puning）是指修剪參數(shù)的單個元素，比如全連接層中的單個權(quán)重、卷積層中的單個卷積核參數(shù)元素或者自定義層中的浮點數(shù)（scaling floats）。其重點在于，剪枝權(quán)重對象是隨機的，沒有特定結(jié)構(gòu)，因此被稱為非結(jié)構(gòu)化剪枝。
1.2，結(jié)構(gòu)化剪枝
與非結(jié)構(gòu)化剪枝相反，結(jié)構(gòu)化剪枝會剪枝整個參數(shù)結(jié)構(gòu)。比如，丟棄整行或整列的權(quán)重，或者在卷積層中丟棄整個過濾器（Filter）。
1.3，本地與全局修剪
剪枝可以在每層（局部）或多層/所有層（全局）上進行。
二，PyTorch 的剪枝
目前 PyTorch 框架支持的權(quán)重剪枝方法有:
- Random: 簡單地修剪隨機參數(shù)。
- Magnitude: 修剪權(quán)重最小的參數(shù)（例如它們的 L2 范數(shù)）
以上兩種方法實現(xiàn)簡單、計算容易，且可以在沒有任何數(shù)據(jù)的情況下應用。
2.1，pytorch 剪枝工作原理
剪枝功能在 torch.nn.utils.prune 類中實現(xiàn)，代碼在文件 torch/nn/utils/prune.py 中，主要剪枝類如下圖所示。
剪枝原理是基于張量（Tensor）的掩碼（Mask）實現(xiàn)。掩碼是一個與張量形狀相同的布爾類型的張量，掩碼的值為 True 表示相應位置的權(quán)重需要保留，掩碼的值為 False 表示相應位置的權(quán)重可以被刪除。
Pytorch 將原始參數(shù) <param> 復制到名為 <param>_original 的參數(shù)中，并創(chuàng)建一個緩沖區(qū)來存儲剪枝掩碼 <param>_mask。同時，其也會創(chuàng)建一個模塊級的 forward_pre_hook 回調(diào)函數(shù)（在模型前向傳播之前會被調(diào)用的回調(diào)函數(shù)），將剪枝掩碼應用于原始權(quán)重。
pytorch 剪枝的 api 和教程比較混亂，我個人將做了如下表格，希望能將 api 和剪枝方法及分類總結(jié)好。
pytorch 中進行模型剪枝的工作流程如下：
- 選擇剪枝方法（或者子類化 BasePruningMethod 實現(xiàn)自己的剪枝方法）。
- 指定剪枝模塊和參數(shù)名稱。
- 設置剪枝方法的參數(shù)，比如剪枝比例等。
2.2，局部剪枝
Pytorch 框架中的局部剪枝有非結(jié)構(gòu)化和結(jié)構(gòu)化剪枝兩種類型，值得注意的是結(jié)構(gòu)化剪枝只支持局部不支持全局。
2.2.1，局部非結(jié)構(gòu)化剪枝
1，局部非結(jié)構(gòu)化剪枝（Locall Unstructured Pruning）對應函數(shù)原型如下：
def random_unstructured(module, name, amount)
1，函數(shù)功能：
用于對權(quán)重參數(shù)張量進行非結(jié)構(gòu)化剪枝。該方法會在張量中隨機選擇一些權(quán)重或連接進行剪枝，剪枝率由用戶指定。
2，函數(shù)參數(shù)定義：
module(nn.Module): 需要剪枝的網(wǎng)絡層/模塊，例如 nn.Conv2d() 和 nn.Linear()。name(str): 要剪枝的參數(shù)名稱，比如 "weight" 或 "bias"。amount(int or float): 指定要剪枝的數(shù)量，如果是 0~1 之間的小數(shù)，則表示剪枝比例；如果是證書，則直接剪去參數(shù)的絕對數(shù)量。比如amount=0.2，表示將隨機選擇 20% 的元素進行剪枝。
3，下面是 random_unstructured 函數(shù)的使用示例。
import torch
import torch.nn.utils.prune as prune
conv = torch.nn.Conv2d(1, 1, 4)
prune.random_unstructured(conv, name="weight", amount=0.5)
conv.weight
"""
tensor([[[[-0.1703, 0.0000, -0.0000, 0.0690],
[ 0.1411, 0.0000, -0.0000, -0.1031],
[-0.0527, 0.0000, 0.0640, 0.1666],
[ 0.0000, -0.0000, -0.0000, 0.2281]]]], grad_fn=<MulBackward0>)
"""可以看書輸出的 conv 層中權(quán)重值有一半比例為 0。
2.2.2，局部結(jié)構(gòu)化剪枝
局部結(jié)構(gòu)化剪枝（Locall Structured Pruning）有兩種函數(shù)，對應函數(shù)原型如下：
def random_structured(module, name, amount, dim) def ln_structured(module, name, amount, n, dim, importance_scores=None)
1，函數(shù)功能
與非結(jié)構(gòu)化移除的是連接權(quán)重不同，結(jié)構(gòu)化剪枝移除的是整個通道權(quán)重。
2，參數(shù)定義
與局部非結(jié)構(gòu)化函數(shù)非常相似，唯一的區(qū)別是您必須定義 dim 參數(shù)(ln_structured 函數(shù)多了 n 參數(shù))。
n 表示剪枝的范數(shù)，dim 表示剪枝的維度。
對于 torch.nn.Linear：
dim = 0： 移除一個神經(jīng)元。dim = 1：移除與一個輸入的所有連接。
對于 torch.nn.Conv2d：
dim = 0(Channels) : 通道 channels 剪枝/過濾器 filters 剪枝dim = 1（Neurons）: 二維卷積核 kernel 剪枝，即與輸入通道相連接的 kernel
2.2.3，局部結(jié)構(gòu)化剪枝示例代碼
在寫示例代碼之前，我們先需要理解 Conv2d 函數(shù)參數(shù)、卷積核 shape、軸以及張量的關系。
首先，Conv2d 函數(shù)原型如下;
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
而 pytorch 中常規(guī)卷積的卷積核權(quán)重 shape 都為（C_out, C_in, kernel_height, kernel_width），所以在代碼中卷積層權(quán)重 shape 為 [3, 2, 3, 3]，dim = 0 對應的是 shape [3, 2, 3, 3] 中的 3。這里我們 dim 設定了哪個軸，那自然剪枝之后權(quán)重張量對應的軸機會發(fā)生變換。
理解了前面的關鍵概念，下面就可以實際使用了，dim=0 的示例如下所示。
conv = torch.nn.Conv2d(2, 3, 3)
norm1 = torch.norm(conv.weight, p=1, dim=[1,2,3])
print(norm1)
"""
tensor([1.9384, 2.3780, 1.8638], grad_fn=<NormBackward1>)
"""
prune.ln_structured(conv, name="weight", amount=1, n=2, dim=0)
print(conv.weight)
"""
tensor([[[[-0.0005, 0.1039, 0.0306],
[ 0.1233, 0.1517, 0.0628],
[ 0.1075, -0.0606, 0.1140]],
[[ 0.2263, -0.0199, 0.1275],
[-0.0455, -0.0639, -0.2153],
[ 0.1587, -0.1928, 0.1338]]],
[[[-0.2023, 0.0012, 0.1617],
[-0.1089, 0.2102, -0.2222],
[ 0.0645, -0.2333, -0.1211]],
[[ 0.2138, -0.0325, 0.0246],
[-0.0507, 0.1812, -0.2268],
[-0.1902, 0.0798, 0.0531]]],
[[[ 0.0000, -0.0000, -0.0000],
[ 0.0000, -0.0000, -0.0000],
[ 0.0000, -0.0000, 0.0000]],
[[ 0.0000, 0.0000, 0.0000],
[-0.0000, 0.0000, 0.0000],
[-0.0000, -0.0000, -0.0000]]]], grad_fn=<MulBackward0>)
"""
從運行結(jié)果可以明顯看出，卷積層參數(shù)的最后一個通道參數(shù)張量被移除了（為 0 張量），其解釋參見下圖。
dim = 1 的情況：
conv = torch.nn.Conv2d(2, 3, 3)
norm1 = torch.norm(conv.weight, p=1, dim=[0, 2,3])
print(norm1)
"""
tensor([3.1487, 3.9088], grad_fn=<NormBackward1>)
"""
prune.ln_structured(conv, name="weight", amount=1, n=2, dim=1)
print(conv.weight)
"""
tensor([[[[ 0.0000, -0.0000, -0.0000],
[-0.0000, 0.0000, 0.0000],
[-0.0000, 0.0000, -0.0000]],
[[-0.2140, 0.1038, 0.1660],
[ 0.1265, -0.1650, -0.2183],
[-0.0680, 0.2280, 0.2128]]],
[[[-0.0000, 0.0000, 0.0000],
[ 0.0000, 0.0000, -0.0000],
[-0.0000, -0.0000, -0.0000]],
[[-0.2087, 0.1275, 0.0228],
[-0.1888, -0.1345, 0.1826],
[-0.2312, -0.1456, -0.1085]]],
[[[-0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000]],
[[-0.0891, 0.0946, -0.1724],
[-0.2068, 0.0823, 0.0272],
[-0.2256, -0.1260, -0.0323]]]], grad_fn=<MulBackward0>)
"""
很明顯，對于 dim=1的維度，其第一個張量的 L2 范數(shù)更小，所以shape 為 [2, 3, 3] 的張量中，第一個 [3, 3] 張量參數(shù)會被移除（即張量為 0 矩陣） 。
2.3，全局非結(jié)構(gòu)化剪枝
前文的 local 剪枝的對象是特定網(wǎng)絡層，而 global 剪枝是將模型看作一個整體去移除指定比例（數(shù)量）的參數(shù)，同時 global 剪枝結(jié)果會導致模型中每層的稀疏比例是不一樣的。
全局非結(jié)構(gòu)化剪枝函數(shù)原型如下：
# v1.4.0 版本 def global_unstructured(parameters, pruning_method, **kwargs) # v2.0.0-rc2版本 def global_unstructured(parameters, pruning_method, importance_scores=None, **kwargs):
1，函數(shù)功能：
隨機選擇全局所有參數(shù)（包括權(quán)重和偏置）的一部分進行剪枝，而不管它們屬于哪個層。
2，參數(shù)定義：
parameters（(Iterable of (module, name) tuples)）: 修剪模型的參數(shù)列表，列表中的元素是 (module, name)。pruning_method（function）: 目前好像官方只支持 pruning_method=prune.L1Unstuctured，另外也可以是自己實現(xiàn)的非結(jié)構(gòu)化剪枝方法函數(shù)。importance_scores: 表示每個參數(shù)的重要性得分，如果為 None，則使用默認得分。**kwargs: 表示傳遞給特定剪枝方法的額外參數(shù)。比如amount指定要剪枝的數(shù)量。
3，global_unstructured 函數(shù)的示例代碼如下所示。
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
class LeNet(nn.Module):
def __init__(self):
super(LeNet, self).__init__()
# 1 input image channel, 6 output channels, 3x3 square conv kernel
self.conv1 = nn.Conv2d(1, 6, 3)
self.conv2 = nn.Conv2d(6, 16, 3)
self.fc1 = nn.Linear(16 * 5 * 5, 120) # 5x5 image dimension
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
x = x.view(-1, int(x.nelement() / x.shape[0]))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
model = LeNet().to(device=device)
model = LeNet()
parameters_to_prune = (
(model.conv1, 'weight'),
(model.conv2, 'weight'),
(model.fc1, 'weight'),
(model.fc2, 'weight'),
(model.fc3, 'weight'),
)
prune.global_unstructured(
parameters_to_prune,
pruning_method=prune.L1Unstructured,
amount=0.2,
)
# 計算卷積層和整個模型的稀疏度
# 其實調(diào)用的是 Tensor.numel 內(nèi)內(nèi)函數(shù)，返回輸入張量中元素的總數(shù)
print(
"Sparsity in conv1.weight: {:.2f}%".format(
100. * float(torch.sum(model.conv1.weight == 0))
/ float(model.conv1.weight.nelement())
)
)
print(
"Global sparsity: {:.2f}%".format(
100. * float(
torch.sum(model.conv1.weight == 0)
+ torch.sum(model.conv2.weight == 0)
+ torch.sum(model.fc1.weight == 0)
+ torch.sum(model.fc2.weight == 0)
+ torch.sum(model.fc3.weight == 0)
)
/ float(
model.conv1.weight.nelement()
+ model.conv2.weight.nelement()
+ model.fc1.weight.nelement()
+ model.fc2.weight.nelement()
+ model.fc3.weight.nelement()
)
)
)
# 程序運行結(jié)果
"""
Sparsity in conv1.weight: 3.70%
Global sparsity: 20.00%
"""
運行結(jié)果表明，雖然模型整體（全局）的稀疏度是 20%，但每個網(wǎng)絡層的稀疏度不一定是 20%。
三，總結(jié)
另外，pytorch 框架還提供了一些幫助函數(shù):
- torch.nn.utils.prune.is_pruned(module): 判斷模塊 是否被剪枝。
- torch.nn.utils.prune.remove(module, name)： 用于將指定模塊中指定參數(shù)上的剪枝操作移除，從而恢復該參數(shù)的原始形狀和數(shù)值。
雖然 PyTorch 提供了內(nèi)置剪枝 API ，也支持了一些非結(jié)構(gòu)化和結(jié)構(gòu)化剪枝方法，但是 API 比較混亂，對應文檔描述也不清晰，所以后面我還會結(jié)合微軟的開源 nni 工具來實現(xiàn)模型剪枝功能。
參考資料
到此這篇關于pytorch實現(xiàn)模型剪枝的文章就介紹到這了,更多相關pytorch模型剪枝內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
自從用?Python?編寫第一行代碼以來，我就被它的簡單性、出色的可讀性和流行的單行代碼所吸引。在本文中，將為大家介紹和解釋其中的一些單行代碼，希望對大家有所幫助2022-12-12
這篇文章主要介紹了Python線性分類，線性分類指在機器學習領域，分類的目標是指將具有相似特征的對象聚集。而一個線性分類器則透過特征的線性組合來做出分類決定，以達到此種目的。對象的特征通常被描述為特征值，而在向量中則描述為特征向量,需要的朋友可以參考下2022-02-02
在Python語言中，用 != 表示不等于，本文主要介紹了python不等于運算符的具體使用，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-12-12
今天小編就為大家分享一篇python 求定積分和不定積分示例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要給大家介紹了關于如何利用Python模擬GitHub登錄的相關資料，文中通過示例代碼介紹的非常詳細，對大家學習或者使用Python具有一定的參考學習價值，需要的朋友們下面來一起學習學習吧2019-07-07
selenium+opencv實現(xiàn)滑塊驗證碼的登陸
很多網(wǎng)站登錄登陸時都要用到滑塊驗證碼，本文主要介紹了selenium+opencv實現(xiàn)滑塊驗證碼的登陸，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-04-04
PageFactory設計模式基于python實現(xiàn)
這篇文章主要介紹了PageFactory設計模式基于python實現(xiàn),文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-04-04
這篇文章主要介紹了Python設計模式之命令模式,簡單介紹了命令模式的概念、原理,并結(jié)合實例形式分析了Python命令模式的定義與使用相關操作技巧,需要的朋友可以參考下2018-01-01
Python集成開發(fā)環(huán)境Pycharm的使用及技巧
本文詳細講解了Python集成開發(fā)環(huán)境Pycharm的使用及技巧，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2022-06-06
這篇文章主要介紹了python如何利用re模塊正則表達式匹配ip地址問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-08-08