通道剪枝Channel Pruning

论文：Channel Pruning for Accelerating Very Deep Neural Networks

Github: https://github.com/yihui-he/channel-pruning

 

ICCV2017 旷视科技

 

论文提出了新的通道剪枝方法，基于2步迭代的剪枝方法。首先基于LASSO回归选择通道，然后基于最小均方误差，进行权值的重新学习。该方法在VGG-16上取得了5倍的加速，并且只产生0.3%的误差。

同时，论文给出了残差结构，多分支结构网络的剪枝方法。

 

传统的CNN加速方法，FFT，freeze ,optimize, quantize ，BinaryNet ,distlation，Structured simplification。

 

结构简化（Structured simplification）的加速方法：

(a)一个网络的3个卷积层

(b)让网络变得稀疏，去掉网络中的稀疏连接

(c)张量分解，分解一个矩阵为多个

(d)通道剪枝

 

通道剪枝：

N：样本数目，batch数目

n：输出通道数

kh，kw：卷积核大小

 

卷积核滤波器W大小为n*c

输入特征图大小X为N*c*kh*kw

输出特征图Y大小为N*n

c’：剪枝后的通道数

||.||F表示弗洛贝尼乌斯范数，也就是2范数

Βi表示第i个特征图通道的

 

整个剪枝过程，在输入X一定的情况下，需要选择剪掉第几个通道，同时还需要在通道被剪后，进行weights的重新学习，保证，剪枝前和剪枝后，输出的特征图具有最小的L2范数。

另外这里和PocketFlow一样，所谓剪枝，就是找一个mask，也就是Β给乘上去，并不是真正的剪掉，只有在最后导出模型的时候，才会真正把mask为0的通道删掉。

 

由于上面的式子中有Β和W2个需要优化的变量，是一个NP hard问题。所以，作者提出，首先固定W学习Β，得到要剪枝的通道，再固定Β，只学习W，这样来实现整体的剪枝过程。

（1）只学习β.

这里采用LASSO回归，增加基于β.的L1范数，可以学习到非常稀疏的β.数值。λ参数控制剪枝率，越大，表示剪枝率越大，最后模型越小。

（2）只学习W

这里，对W除以了W的2范数，进行了归一化操作，更方便学习优化。为了保证最终X*W的输出不变，对β乘以了W的2范数

 

剪枝残差结构模块：

残差模块的最后一层：

对于最后一个1x1 conv的pruning，我们不仅要考虑residual分支上的信息恢复，同样要考虑到identity maping分支上面的信息丢失。因此最终用于恢复的目标值并非是Y2，而是Y1 - Y'1 + Y2。
这样就可以在W的计算中考虑进去identity maping上信息的恢复了。

 

残差模块的第一层：

由于identity maping分支和shortcut 分支共享输入，所以不能直接进行剪枝。而是通过对

identity maping分支的输入进行通道采样，从C0采样为C0‘，实现了通道的剪枝，而shortcut分支通道没有进行剪枝，因为该分支没有卷积参数可以学习。

 

实验结果：

本文的channel pruning方法在单个层pruning比filter pruning方法的效果要好。在相同加速比的情况下，具有更小的误差。

 

总结：

通道剪枝，可以实现主流网络结构VGG，Inception ,Resnet等的加速。