近年來，深度學習模型在CV、NLP等領域實現(xiàn)了廣泛應用。然而，龐大的參數(shù)規(guī)模帶來的計算開銷、內存需求，使得其在計算能力受限平臺的部署中遇到了巨大的困難與挑戰(zhàn)。因此，如何在不影響深度學習模型性能的情況下進行模型壓縮與加速，成為了學術界和工業(yè)界的研究熱點。

深度學習模型壓縮與加速是指利用神經(jīng)網(wǎng)絡參數(shù)和結構的冗余性精簡模型，在不影響任務完成度的情況下，得到參數(shù)量更少、結構更精簡的模型。被壓縮后的模型對計算資源和內存的需求更小，相比原始模型能滿足更廣泛的應用需求。（事實上，壓縮和加速是有區(qū)別的，壓縮側重于減少網(wǎng)絡參數(shù)量，加速側重于降低計算復雜度、提升并行能力等，壓縮未必一定能加速，本文中我們把二者等同看待）

• 必要性：主流的模型，如VGG-16，參數(shù)量1億3千多萬，占用500多MB空間，需要進行300多億次浮點運算才能完成一次圖像識別任務。
• 可行性：并非所有的參數(shù)都在模型中發(fā)揮作用，部分參數(shù)作用有限、表達冗余，甚至會降低模型的性能，因此，只需訓練一小部分的權值參數(shù)就有可能達到和原來網(wǎng)絡相近的性能甚至超過原來網(wǎng)絡的性能（可以看做一種正則化）。

壓縮與加速，大體可以從三個層面來做：算法層、框架層、硬件層，本文僅討論算法層的壓縮與加速技術。

主流的壓縮與加速技術有4種：結構優(yōu)化、剪枝（Pruning）、量化（Quantization）、知識蒸餾（Knowledge Distillation）。

2.1、結構優(yōu)化

通過優(yōu)化網(wǎng)絡結構的設計去減少模型的冗余和計算量。常見方式如下：

• 矩陣分解：如ALBERT的embedding layer
• 參數(shù)共享：如CNN和ALBERT（只能壓縮參數(shù)不能加速推理）
• 分組卷積：主要應用于CV領域，如shuffleNet，mobileNet等
• 分解卷積：使用兩個串聯(lián)小卷積核來代替一個大卷積核（Inception V2）、使用兩個并聯(lián)的非對稱卷積核來代替一個正常卷積核（Inception V3）
• 全局平均池化代替全連接層
• 使用1*1卷積核

2.2、剪枝

剪枝是指在預訓練好的大型模型的基礎上，設計對網(wǎng)絡參數(shù)的評價準則，以此為根據(jù)刪除“冗余”參數(shù)。根據(jù)剪枝粒度粗細，參數(shù)剪枝可分為非結構化剪枝和結構化剪枝。非結構化剪枝的粒度比較細，可以無限制去掉網(wǎng)絡中期望比例的任何“冗余”參數(shù)，但會帶來裁剪后網(wǎng)絡結構不規(guī)整難以有效加速的問題。結構化剪枝的粒度比較粗，剪枝的最小單位是filter內參數(shù)的組合，通過對filter或者feature map設置評價因子，甚至可以刪除整個filter或者某幾個channel，使網(wǎng)絡“變窄”，可以直接在現(xiàn)有軟硬件上獲得有效加速，但可能帶來預測精度的下降，需要通過對模型微調恢復性能。

2.3、量化

量化是指用較低位寬表示典型的32bit浮點型網(wǎng)絡參數(shù)。網(wǎng)絡參數(shù)包括權重、激活值、梯度和誤差等等， 可以使用統(tǒng)一的位寬（如16bit，8bit，2bit和1bit等），也可以根據(jù)經(jīng)驗或一定策略自由組合不同的位寬。量化的優(yōu)點在于：1).能夠顯著減少參數(shù)存儲空間與內存占用空間，如，將參數(shù)從32bit浮點型量化到8bit整型能夠減少75%的存儲空間，這對于計算資源有限的邊緣設備和嵌入式設備進行深度學習模型的部署和使用都有很大幫助；2).能夠加快運算速度，減少設備能耗，讀取32bit浮點數(shù)所需的帶寬可以同時讀入4個8bit整數(shù)，并且整型運算相比浮點型運算更快，自然能降低設備功耗。但其仍存在一定的局限性，網(wǎng)絡參數(shù)的位寬減少損失一部分信息量，造成推理精度下降，雖然能通過微調恢復部分精確度，但帶來時間成本；量化到特殊位寬時，很多現(xiàn)有的訓練方法和硬件平臺不再適用，需要設計專用的系統(tǒng)架構，靈活性不高。

2.4、知識蒸餾

知識蒸餾在Hinton于2015年發(fā)表的《Distilling the Knowledge in a Neural Network》（https://arxiv.org/pdf/1503.02531.pdf）中被提出。

同其它壓縮與加速技術不同，知識蒸餾需要兩種類型的網(wǎng)絡：Teacher Model和Student Model。前者參數(shù)量大、結構復雜，后者參數(shù)量較小、結構相對簡單。二者可以是不同的網(wǎng)絡結構，但是采用相似的網(wǎng)絡結構，蒸餾效果會更好。訓練流程如下圖所示：

首先訓練Teacher Model，然后用其指導Student Model的訓練（訓練集可以保持一致）。具體指導方案，將Teacher Model在Softmax層的輸出作為數(shù)據(jù)的soft label（熵更高，信息量更大），Student Model的loss function將是對soft label預測和hard label預測的loss的線性加權和（具體可以參考https://zhuanlan.zhihu.com/p/102038521）。Student Model訓練好后，按照常規(guī)模型使用即可。

對soft label預測的loss，可以計算兩個Model在Softmax層的輸出的Cross Entropy，也可以計算兩個Model在Softmax層的輸入的MSE。

知識蒸餾通過將Teacher Model的知識遷移到Student Model中，使Student Model達到與Teacher Model相當?shù)男阅埽瑫r又能起到模型壓縮的目的。其局限性在于，由于使用Softmax層的輸出作為知識，所以一般多用于具有Softmax層面的分類任務，在其它任務上的表現(xiàn)不好。

以下列舉幾個知識蒸餾的應用實例。

3.1、DistillBERT

DistillBERT在Hugging Face于2019年發(fā)表的《DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter》（https://arxiv.org/pdf/1910.01108.pdf）中被提出。

DistillBERT的細節(jié)如下：

• Student架構：總體和BERT一致，移除了token-type embeddings和pooler，層數(shù)減半（每兩層去掉一層，由12層減到6層）
• Student初始化：直接采用Teacher（BERT-base）中對應的參數(shù)進行初始化
• Training loss：??，其中，??是soft label之間的KL散度（非交叉熵），??同BERT，??是隱層向量之間的cosine值
• Student訓練：采用了RoBERTa的方式，如，更大的batch_size、dynamic masking、去NSP
• 數(shù)據(jù)集：Student采用了和原始BERT一致的數(shù)據(jù)集

DistillBERT在GLUE數(shù)據(jù)集上的性能表現(xiàn)：

DistillBERT在參數(shù)量和推理速度上的表現(xiàn)：

3.2、TinyBERT

TinyBERT在華科+華為于2019年發(fā)表的《TinyBERT: Distilling BERT for Natural Language Understanding》（https://arxiv.org/pdf/1909.10351.pdf）中被提出。

TinyBERT的訓練流程如下：

整體是個兩階段的蒸餾過程：

• General Distillation：以未經(jīng)fine-tuning的BERT作為Teacher，蒸餾得到General TinyBERT
• Task-specific Distillation：以fine-tuning后的BERT作為Teacher，General TinyBERT作為Student的初始化，在經(jīng)過數(shù)據(jù)增強后的Task Dataset上繼續(xù)蒸餾，得到Fine-tuned TinyBERT

TinyBERT的結構如下：

TinyBERT的loss如下：

其中，??表示embedding layer，??表示prediction layer，??有三種形式，代表三種不同的loss：

?都是MSE loss，??是Cross Entropy loss，具體計算公式可參考論文。

TinyBERT的性能表現(xiàn)如下：

3.3、FastBERT

FastBERT在北大+騰訊于2020年發(fā)表的《FastBERT: a Self-distilling BERT with Adaptive Inference Time》（https://arxiv.org/pdf/2004.02178.pdf）中被提出。

FastBERT的結構如下：

它的創(chuàng)新點在于self-distillation mechanism和sample-wise adaptive mechanism：

• self-distillation mechanism：Teacher（backbone）和Student（branch）統(tǒng)一在一個模型中，在原始BERT的每層Transformer后接Student Classifier，擬合原始BERT的Teacher Classifier；backbone和branch的參數(shù)訓練是獨立的，其中一個模塊參數(shù)在訓練時，另一個模塊參數(shù)會frozen
• sample-wise adaptive mechanism：基于LUHA（the Lower the Uncertainty，the Higher the Accuracy）假設，在底層Transformer對應的Student Classifier中，如果已經(jīng)做出了置信的分類決策，則不再繼續(xù)頂層的預測

FastBERT的訓練流程如下：

• Pre-training：對除Teacher Classifier外的backbone進行預訓練，這部分和BERT系列模型沒有區(qū)別（甚至可以直接使用開源的訓練好的模型）
• Fine-tuning forbackbone：根據(jù)下游任務，采用對應的數(shù)據(jù)集，訓練含Teacher Classifier在內的backbone
• Self-distillation for branch：可以采用無標簽的數(shù)據(jù)（因為不需要label，只需要Teacher Classifier的輸出），Teacher Classifier的輸出??作為soft label，計算Student Classifier的輸出??和??之間的KL散度，將所有層的KL散度之和作為total loss：

為了實現(xiàn)Adaptive inference，F(xiàn)astBERT采用了歸一化的熵作為Student Classifier決策結果的置信度指標：

其中，??是Student Classifier輸出的概率分布，??是類目數(shù)量。論文中，給Uncertainty設定的閾值是Speed，二者取值均介于0、1之間。

FastBERT的性能表現(xiàn)如下（當前僅應用于分類任務）：

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關微信群。請勿在群內發(fā)送廣告，否則會請出群，謝謝理解~