剪枝PRUNING TUTORIAL
最新的深度学习技术依赖于难以部署的过度参数化模型。相反，已知生物神经网络使用有效的稀疏连通性。为了减少内存，电池和硬件消耗，同时又不牺牲精度，在设备上部署轻量级模型并通过私有设备上计算来确保私密性，确定通过减少模型中的参数数量来压缩模型的最佳技术很重要。在研究方面，剪枝用于研究参数过度配置和参数不足网络之间学习动态的差异，以研究幸运稀疏子网络和初始化（“lottery tickets”）作为破坏性神经体系结构搜索技术的作用，以及更多。
在本教程中，将学习如何用于torch.nn.utils.prune稀疏神经网络，以及如何扩展它以实现自己的自定义剪枝技术。
要求Requirements
"torch>=1.4.0a0+8e8a5e0" import torch from torch import nn import torch.nn.utils.prune as prune import torch.nn.functional as F
Create a model
在本教程中，我们使用LeCun等人（1998年）的LeNet体系结构。
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)
检查模块Inspect a Module
让我们检查conv1LeNet模型中的（未剪枝）层。现在它将包含两个参数weight和bias，并且没有缓冲区。
module = model.conv1 print(list(module.named_parameters()))
输出：
[('weight', Parameter containing:
tensor([[[[-5.7063e-02, -2.4630e-01, -3.3144e-01],
[-2.9158e-01, -2.4055e-01, -3.3132e-01],
[-2.8848e-01, -3.2727e-01, -1.9451e-01]]],
[[[-2.3636e-01, -1.9035e-01, 6.9974e-02],
[-7.7690e-02, 4.9759e-02, -6.2006e-02],
[-1.7095e-01, 7.3741e-02, 3.1901e-01]]],
[[[-1.6287e-02, -3.1315e-01, -2.6263e-01],
[-1.1699e-01, -7.4603e-02, 9.0671e-03],
[-1.0678e-01, 1.8641e-01, -2.0640e-01]]],
[[[-2.2785e-01, 6.2033e-04, -7.2417e-02],
[-2.5378e-01, -2.4691e-01, -3.4585e-03],
[-5.4172e-02, 2.9494e-01, -1.7844e-01]]],
[[[ 1.6865e-01, -2.9616e-01, -2.2503e-01],
[-8.8503e-02, -2.1696e-01, 1.6621e-01],
[-2.3458e-01, 3.0958e-01, 2.4339e-01]]],
[[[ 2.7446e-01, -3.2808e-02, 6.3390e-03],
[ 1.4047e-04, -2.1429e-01, -1.2893e-01],
[-2.1332e-01, 3.0710e-01, 1.8194e-01]]]], device='cuda:0',
requires_grad=True)), ('bias', Parameter containing:
tensor([ 0.2454, 0.0883, -0.2114, -0.0138, 0.0932, -0.1112], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
[]
模块剪枝Pruning a Module
要剪枝模块（在此示例中，是conv1LeNet体系结构的层），请首先从中可用的剪枝技术中选择剪枝技术torch.nn.utils.prune（或 通过子类化implement 自己的剪枝技术 BasePruningMethod）。然后，指定模块和该模块中要剪枝的参数的名称。最后，使用所选剪枝技术所需的适当关键字参数，指定剪枝参数。
在此示例中，我们将weight在conv1层中命名的参数中随机剪枝30％的连接。模块作为第一个参数传递给函数；name 使用其字符串标识符在该模块中标识参数；并 amount指示与剪枝的连接百分比（如果它是介于0和1之间的浮点数），或者指示与剪枝的连接的绝对数量（如果它是一个非负整数）。
prune.random_unstructured(module, name="weight", amount=0.3)
剪枝通过weight从参数中删除并将其替换为新参数weight_orig（即追加"_orig"到初始参数name）来进行。weight_orig存储未剪枝的张量版本。在bias没有剪枝，因此将保持不变。
print(list(module.named_parameters()))
[('bias', Parameter containing:
tensor([ 0.2454, 0.0883, -0.2114, -0.0138, 0.0932, -0.1112], device='cuda:0',
requires_grad=True)), ('weight_orig', Parameter containing:
tensor([[[[-5.7063e-02, -2.4630e-01, -3.3144e-01],
[-2.9158e-01, -2.4055e-01, -3.3132e-01],
[-2.8848e-01, -3.2727e-01, -1.9451e-01]]],
[[[-2.3636e-01, -1.9035e-01, 6.9974e-02],
[-7.7690e-02, 4.9759e-02, -6.2006e-02],
[-1.7095e-01, 7.3741e-02, 3.1901e-01]]],
[[[-1.6287e-02, -3.1315e-01, -2.6263e-01],
[-1.1699e-01, -7.4603e-02, 9.0671e-03],
[-1.0678e-01, 1.8641e-01, -2.0640e-01]]],
[[[-2.2785e-01, 6.2033e-04, -7.2417e-02],
[-2.5378e-01, -2.4691e-01, -3.4585e-03],
[-5.4172e-02, 2.9494e-01, -1.7844e-01]]],
[[[ 1.6865e-01, -2.9616e-01, -2.2503e-01],
[-8.8503e-02, -2.1696e-01, 1.6621e-01],
[-2.3458e-01, 3.0958e-01, 2.4339e-01]]],
[[[ 2.7446e-01, -3.2808e-02, 6.3390e-03],
[ 1.4047e-04, -2.1429e-01, -1.2893e-01],
[-2.1332e-01, 3.0710e-01, 1.8194e-01]]]], device='cuda:0',
requires_grad=True))]
通过上面选择的剪枝技术生成的剪枝掩码被保存为名为weight_mask（即附加"_mask"到初始参数name）的模块缓冲区。
print(list(module.named_buffers()))
[('weight_mask', tensor([[[[1., 0., 1.],
[1., 1., 1.],
[1., 1., 0.]]],
[[[0., 1., 0.],
[1., 1., 0.],
[1., 1., 1.]]],
[[[1., 0., 1.],
[1., 0., 0.],
[0., 1., 1.]]],
[[[0., 1., 1.],
[1., 1., 1.],
[1., 0., 1.]]],
[[[1., 0., 1.],
[1., 1., 0.],
[1., 0., 1.]]],
[[[1., 1., 1.],
[1., 1., 0.],
[1., 1., 0.]]]], device='cuda:0'))]
为了使前向传递不做任何修改就可以使用，该weight属性必须存在。在torch.nn.utils.prune计算权重的剪枝版本中实现的剪枝技术 （通过将mask与原始参数组合）并将其存储在attribute中weight。请注意，这不再是的参数，module现在只是一个属性
print(module.weight)
输出：
tensor([[[[-5.7063e-02, -0.0000e+00, -3.3144e-01],
[-2.9158e-01, -2.4055e-01, -3.3132e-01],
[-2.8848e-01, -3.2727e-01, -0.0000e+00]]],
[[[-0.0000e+00, -1.9035e-01, 0.0000e+00],
[-7.7690e-02, 4.9759e-02, -0.0000e+00],
[-1.7095e-01, 7.3741e-02, 3.1901e-01]]],
[[[-1.6287e-02, -0.0000e+00, -2.6263e-01],
[-1.1699e-01, -0.0000e+00, 0.0000e+00],
[-0.0000e+00, 1.8641e-01, -2.0640e-01]]],
[[[-0.0000e+00, 6.2033e-04, -7.2417e-02],
[-2.5378e-01, -2.4691e-01, -3.4585e-03],
[-5.4172e-02, 0.0000e+00, -1.7844e-01]]],
[[[ 1.6865e-01, -0.0000e+00, -2.2503e-01],
[-8.8503e-02, -2.1696e-01, 0.0000e+00],
[-2.3458e-01, 0.0000e+00, 2.4339e-01]]],
[[[ 2.7446e-01, -3.2808e-02, 6.3390e-03],
[ 1.4047e-04, -2.1429e-01, -0.0000e+00],
[-2.1332e-01, 3.0710e-01, 0.0000e+00]]]], device='cuda:0',
grad_fn=<MulBackward0>)
最后，在每次前向传递之前使用PyTorch's进行剪枝 forward_pre_hooks。具体来说，module如我们在此处所做的那样，当剪枝时，它将forward_pre_hook为与之关联的每个要剪枝的参数获取一个。在这种情况下，由于到目前为止我们只剪枝了名为的原始参数weight，所以只会出现一个钩子。
print(module._forward_pre_hooks)
输出：
OrderedDict([(0, <torch.nn.utils.prune.RandomUnstructured object at 0x7f9cf8062208>)])
为了完整起见，我们现在也可以剪枝一下bias，以查看module更改的参数，缓冲区，挂钩和属性。只是为了尝试另一种剪枝技术，这里我们剪枝L1范数中的偏差中的3个最小条目，如在l1_unstructured实现的那样 。
prune.l1_unstructured(module, name="bias", amount=3)
现在，我们希望命名的参数同时包含weight_orig（来自之前）和bias_orig。缓冲区将包括weight_mask和 bias_mask。两个张量的剪枝后的版本将作为模块属性存在，并且模块现在将具有两个forward_pre_hooks。
print(list(module.named_parameters()))
输出：
[('weight_orig', Parameter containing:
tensor([[[[-5.7063e-02, -2.4630e-01, -3.3144e-01],
[-2.9158e-01, -2.4055e-01, -3.3132e-01],
[-2.8848e-01, -3.2727e-01, -1.9451e-01]]],
[[[-2.3636e-01, -1.9035e-01, 6.9974e-02],
[-7.7690e-02, 4.9759e-02, -6.2006e-02],
[-1.7095e-01, 7.3741e-02, 3.1901e-01]]],
[[[-1.6287e-02, -3.1315e-01, -2.6263e-01],
[-1.1699e-01, -7.4603e-02, 9.0671e-03],
[-1.0678e-01, 1.8641e-01, -2.0640e-01]]],
[[[-2.2785e-01, 6.2033e-04, -7.2417e-02],
[-2.5378e-01, -2.4691e-01, -3.4585e-03],
[-5.4172e-02, 2.9494e-01, -1.7844e-01]]],
[[[ 1.6865e-01, -2.9616e-01, -2.2503e-01],
[-8.8503e-02, -2.1696e-01, 1.6621e-01],
[-2.3458e-01, 3.0958e-01, 2.4339e-01]]],
[[[ 2.7446e-01, -3.2808e-02, 6.3390e-03],
[ 1.4047e-04, -2.1429e-01, -1.2893e-01],
[-2.1332e-01, 3.0710e-01, 1.8194e-01]]]], device='cuda:0',
requires_grad=True)), ('bias_orig', Parameter containing:
tensor([ 0.2454, 0.0883, -0.2114, -0.0138, 0.0932, -0.1112], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
输出：
[('weight_mask', tensor([[[[1., 0., 1.],
[1., 1., 1.],
[1., 1., 0.]]],
[[[0., 1., 0.],
[1., 1., 0.],
[1., 1., 1.]]],
[[[1., 0., 1.],
[1., 0., 0.],
[0., 1., 1.]]],
[[[0., 1., 1.],
[1., 1., 1.],
[1., 0., 1.]]],
[[[1., 0., 1.],
[1., 1., 0.],
[1., 0., 1.]]],
[[[1., 1., 1.],
[1., 1., 0.],
[1., 1., 0.]]]], device='cuda:0')), ('bias_mask', tensor([1., 0., 1., 0., 0., 1.], device='cuda:0'))]
print(module.bias)
输出：
tensor([ 0.2454, 0.0000, -0.2114, -0.0000, 0.0000, -0.1112], device='cuda:0',
grad_fn=<MulBackward0>)
print(module._forward_pre_hooks)
输出：
OrderedDict([(0, <torch.nn.utils.prune.RandomUnstructured object at 0x7f9cf8062208>), (1, <torch.nn.utils.prune.L1Unstructured object at 0x7f9d5f893f60>)])
迭代剪枝Iterative Pruning
一个模块中的同一参数可以被多次剪枝，各种剪枝调用的效果等于串联应用的各种蒙版的组合。新的蒙版与旧蒙版的组合由PruningContainer的compute_mask方法处理 。
举例来说，假设我们现在要进一步剪枝module.weight，这一次是基于张量的第0轴（第0轴对应于卷积层的输出通道，对于，具有维数6 conv1）使用结构化剪枝。L2规范。可以使用ln_structured带有n=2和的功能来实现dim=0
prune.ln_structured(module, name="weight", amount=0.5, n=2, dim=0) # As we can verify, this will zero out all the connections corresponding to # 50% (3 out of 6) of the channels, while preserving the action of the # previous mask. print(module.weight)
输出：
tensor([[[[-5.7063e-02, -0.0000e+00, -3.3144e-01],
[-2.9158e-01, -2.4055e-01, -3.3132e-01],
[-2.8848e-01, -3.2727e-01, -0.0000e+00]]],
[[[-0.0000e+00, -0.0000e+00, 0.0000e+00],
[-0.0000e+00, 0.0000e+00, -0.0000e+00],
[-0.0000e+00, 0.0000e+00, 0.0000e+00]]],
[[[-0.0000e+00, -0.0000e+00, -0.0000e+00],
[-0.0000e+00, -0.0000e+00, 0.0000e+00],
[-0.0000e+00, 0.0000e+00, -0.0000e+00]]],
[[[-0.0000e+00, 0.0000e+00, -0.0000e+00],
[-0.0000e+00, -0.0000e+00, -0.0000e+00],
[-0.0000e+00, 0.0000e+00, -0.0000e+00]]],
[[[ 1.6865e-01, -0.0000e+00, -2.2503e-01],
[-8.8503e-02, -2.1696e-01, 0.0000e+00],
[-2.3458e-01, 0.0000e+00, 2.4339e-01]]],
[[[ 2.7446e-01, -3.2808e-02, 6.3390e-03],
[ 1.4047e-04, -2.1429e-01, -0.0000e+00],
[-2.1332e-01, 3.0710e-01, 0.0000e+00]]]], device='cuda:0',
grad_fn=<MulBackward0>)
现在，对应的钩子将为类型 torch.nn.utils.prune.PruningContainer，并将存储应用于该weight参数的剪枝历史记录。
for hook in module._forward_pre_hooks.values():
if hook._tensor_name == "weight": # select out the correct hook
break
print(list(hook)) # pruning history in the container
输出：
[<torch.nn.utils.prune.RandomUnstructured object at 0x7f9cf8062208>, <torch.nn.utils.prune.LnStructured object at 0x7f9cf8059390>]
序列化剪枝的模型Serializing a pruned model
所有相关的张量，包括掩码缓冲区和用于计算剪枝的张量的原始参数，都存储在模型中state_dict ，因此可以根据需要轻松地序列化和保存。
print(model.state_dict().keys())
输出：
odict_keys(['conv1.weight_orig', 'conv1.bias_orig', 'conv1.weight_mask', 'conv1.bias_mask', 'conv2.weight', 'conv2.bias', 'fc1.weight', 'fc1.bias', 'fc2.weight', 'fc2.bias', 'fc3.weight', 'fc3.bias'])
删除剪枝重新参数化Remove pruning re-parametrization
要使剪枝永久化，请根据weight_orig和删除重新参数化weight_mask，然后删除forward_pre_hook，我们可以使用中的remove功能torch.nn.utils.prune。请注意，这不会撤消剪枝，好像从未发生过。而是通过将参数重新分配weight给模型参数（剪枝后的版本）来使其永久化。
删除重新参数化之前：
print(list(module.named_parameters()))
输出：
[('weight_orig', Parameter containing:
tensor([[[[-5.7063e-02, -2.4630e-01, -3.3144e-01],
[-2.9158e-01, -2.4055e-01, -3.3132e-01],
[-2.8848e-01, -3.2727e-01, -1.9451e-01]]],
[[[-2.3636e-01, -1.9035e-01, 6.9974e-02],
[-7.7690e-02, 4.9759e-02, -6.2006e-02],
[-1.7095e-01, 7.3741e-02, 3.1901e-01]]],
[[[-1.6287e-02, -3.1315e-01, -2.6263e-01],
[-1.1699e-01, -7.4603e-02, 9.0671e-03],
[-1.0678e-01, 1.8641e-01, -2.0640e-01]]],
[[[-2.2785e-01, 6.2033e-04, -7.2417e-02],
[-2.5378e-01, -2.4691e-01, -3.4585e-03],
[-5.4172e-02, 2.9494e-01, -1.7844e-01]]],
[[[ 1.6865e-01, -2.9616e-01, -2.2503e-01],
[-8.8503e-02, -2.1696e-01, 1.6621e-01],
[-2.3458e-01, 3.0958e-01, 2.4339e-01]]],
[[[ 2.7446e-01, -3.2808e-02, 6.3390e-03],
[ 1.4047e-04, -2.1429e-01, -1.2893e-01],
[-2.1332e-01, 3.0710e-01, 1.8194e-01]]]], device='cuda:0',
requires_grad=True)), ('bias_orig', Parameter containing:
tensor([ 0.2454, 0.0883, -0.2114, -0.0138, 0.0932, -0.1112], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
输出：
[('weight_mask', tensor([[[[1., 0., 1.],
[1., 1., 1.],
[1., 1., 0.]]],
[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]],
[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]],
[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]],
[[[1., 0., 1.],
[1., 1., 0.],
[1., 0., 1.]]],
[[[1., 1., 1.],
[1., 1., 0.],
[1., 1., 0.]]]], device='cuda:0')), ('bias_mask', tensor([1., 0., 1., 0., 0., 1.], device='cuda:0'))]
print(module.weight)
输出：
tensor([[[[-5.7063e-02, -0.0000e+00, -3.3144e-01],
[-2.9158e-01, -2.4055e-01, -3.3132e-01],
[-2.8848e-01, -3.2727e-01, -0.0000e+00]]],
[[[-0.0000e+00, -0.0000e+00, 0.0000e+00],
[-0.0000e+00, 0.0000e+00, -0.0000e+00],
[-0.0000e+00, 0.0000e+00, 0.0000e+00]]],
[[[-0.0000e+00, -0.0000e+00, -0.0000e+00],
[-0.0000e+00, -0.0000e+00, 0.0000e+00],
[-0.0000e+00, 0.0000e+00, -0.0000e+00]]],
[[[-0.0000e+00, 0.0000e+00, -0.0000e+00],
[-0.0000e+00, -0.0000e+00, -0.0000e+00],
[-0.0000e+00, 0.0000e+00, -0.0000e+00]]],
[[[ 1.6865e-01, -0.0000e+00, -2.2503e-01],
[-8.8503e-02, -2.1696e-01, 0.0000e+00],
[-2.3458e-01, 0.0000e+00, 2.4339e-01]]],
[[[ 2.7446e-01, -3.2808e-02, 6.3390e-03],
[ 1.4047e-04, -2.1429e-01, -0.0000e+00],
[-2.1332e-01, 3.0710e-01, 0.0000e+00]]]], device='cuda:0',
grad_fn=<MulBackward0>)
删除重新参数化后：
prune.remove(module, 'weight') print(list(module.named_parameters()))
输出：
[('bias_orig', Parameter containing:
tensor([ 0.2454, 0.0883, -0.2114, -0.0138, 0.0932, -0.1112], device='cuda:0',
requires_grad=True)), ('weight', Parameter containing:
tensor([[[[-5.7063e-02, -0.0000e+00, -3.3144e-01],
[-2.9158e-01, -2.4055e-01, -3.3132e-01],
[-2.8848e-01, -3.2727e-01, -0.0000e+00]]],
[[[-0.0000e+00, -0.0000e+00, 0.0000e+00],
[-0.0000e+00, 0.0000e+00, -0.0000e+00],
[-0.0000e+00, 0.0000e+00, 0.0000e+00]]],
[[[-0.0000e+00, -0.0000e+00, -0.0000e+00],
[-0.0000e+00, -0.0000e+00, 0.0000e+00],
[-0.0000e+00, 0.0000e+00, -0.0000e+00]]],
[[[-0.0000e+00, 0.0000e+00, -0.0000e+00],
[-0.0000e+00, -0.0000e+00, -0.0000e+00],
[-0.0000e+00, 0.0000e+00, -0.0000e+00]]],
[[[ 1.6865e-01, -0.0000e+00, -2.2503e-01],
[-8.8503e-02, -2.1696e-01, 0.0000e+00],
[-2.3458e-01, 0.0000e+00, 2.4339e-01]]],
[[[ 2.7446e-01, -3.2808e-02, 6.3390e-03],
[ 1.4047e-04, -2.1429e-01, -0.0000e+00],
[-2.1332e-01, 3.0710e-01, 0.0000e+00]]]], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
输出：
[('bias_mask', tensor([1., 0., 1., 0., 0., 1.], device='cuda:0'))]
剪枝模型中的多个参数Pruning multiple parameters in a model
通过指定所需的剪枝技术和参数，我们可以轻松地剪枝网络中的多个张量，也许根据它们的类型，如在本示例中将看到的那样。
new_model = LeNet()
for name, module in new_model.named_modules():
# prune 20% of connections in all 2D-conv layers
if isinstance(module, torch.nn.Conv2d):
prune.l1_unstructured(module, name='weight', amount=0.2)
# prune 40% of connections in all linear layers
elif isinstance(module, torch.nn.Linear):
prune.l1_unstructured(module, name='weight', amount=0.4)
print(dict(new_model.named_buffers()).keys()) # to verify that all masks exist
输出：
dict_keys(['conv1.weight_mask', 'conv2.weight_mask', 'fc1.weight_mask', 'fc2.weight_mask', 'fc3.weight_mask'])
全局剪枝Global pruning
到目前为止，我们仅查看了通常称为“局部”剪枝的情况，即通过比较每个条目的统计信息（权重，**度，梯度等）来逐个剪枝模型中的张量的做法。到该张量中的其他条目。但是，一种常见且可能更强大的技术是通过删除（例如）删除整个模型中最低的20％的连接，而不是删除每一层中最低的20％的连接来一次剪枝模型。这很可能导致每个层的剪枝百分比不同。让我们看看如何使用global_unstructuredfrom 来做到这一点torch.nn.utils.prune。
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,
)
现在，我们可以检查每个剪枝参数中引起的稀疏性，该稀疏性将不等于每层中的20％。但是，全局稀疏度将（大约）为20％。
print(
"Sparsity in conv1.weight: {:.2f}%".format(
100. * float(torch.sum(model.conv1.weight == 0))
/ float(model.conv1.weight.nelement())
)
)
print(
"Sparsity in conv2.weight: {:.2f}%".format(
100. * float(torch.sum(model.conv2.weight == 0))
/ float(model.conv2.weight.nelement())
)
)
print(
"Sparsity in fc1.weight: {:.2f}%".format(
100. * float(torch.sum(model.fc1.weight == 0))
/ float(model.fc1.weight.nelement())
)
)
print(
"Sparsity in fc2.weight: {:.2f}%".format(
100. * float(torch.sum(model.fc2.weight == 0))
/ float(model.fc2.weight.nelement())
)
)
print(
"Sparsity in fc3.weight: {:.2f}%".format(
100. * float(torch.sum(model.fc3.weight == 0))
/ float(model.fc3.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()
)
)
)
输出：
Sparsity in conv1.weight: 5.56% Sparsity in conv2.weight: 7.75% Sparsity in fc1.weight: 22.05% Sparsity in fc2.weight: 12.17% Sparsity in fc3.weight: 10.12% Global sparsity: 20.00%
torch.nn.utils.prune使用自定义剪枝功能扩展
要实现自己的剪枝功能，可以nn.utils.prune通过对BasePruningMethod 基类进行子类化来扩展 模块，就像其他所有剪枝方法一样。该基类为您实现下面的方法：__call__，apply_mask， apply，prune，和remove。除了一些特殊情况外，您不必为新的剪枝技术重新实现这些方法。但是，您将必须实现__init__（构造函数）和compute_mask（有关如何根据剪枝技术的逻辑为给定张量计算掩码的说明）。此外，你将不得不指定剪枝这一技术工具的类型（支持的选项包括global， structured，和unstructured）。需要确定在迭代应用剪枝的情况下如何组合蒙版。换句话说，当剪枝预剪枝的参数时，当前的剪枝技术应作用于参数的未剪枝部分。指定PRUNING_TYPE将会启用PruningContainer（处理剪枝掩码的迭代应用程序）正确识别要剪枝的参数的范围。
例如，假设您要实现一种剪枝技术，该技术可以剪枝张量中的所有其他条目（或者-如果以前已剪枝过张量，则可以剪枝张量的其余未剪枝部分）。这是PRUNING_TYPE='unstructured' 因为它作用于层中的各个连接，而不作用于整个单元/通道（'structured'）或不同参数（'global'）。
class FooBarPruningMethod(prune.BasePruningMethod):
"""Prune every other entry in a tensor
"""
PRUNING_TYPE = 'unstructured'
def compute_mask(self, t, default_mask):
mask = default_mask.clone()
mask.view(-1)[::2] = 0
return mask
现在，要将其应用到中的参数nn.Module，还应该提供一个简单的函数来实例化该方法并将其应用。
def foobar_unstructured(module, name):
"""Prunes tensor corresponding to parameter called `name` in `module`
by removing every other entry in the tensors.
Modifies module in place (and also return the modified module)
by:
1) adding a named buffer called `name+'_mask'` corresponding to the
binary mask applied to the parameter `name` by the pruning method.
The parameter `name` is replaced by its pruned version, while the
original (unpruned) parameter is stored in a new parameter named
`name+'_orig'`.
Args:
module (nn.Module): module containing the tensor to prune
name (string): parameter name within `module` on which pruning
will act.
Returns:
module (nn.Module): modified (i.e. pruned) version of the input
module
Examples:
>>> m = nn.Linear(3, 4)
>>> foobar_unstructured(m, name='bias')
"""
FooBarPruningMethod.apply(module, name)
return module
让我们尝试一下！
model = LeNet() foobar_unstructured(model.fc3, name='bias') print(model.fc3.bias_mask)
输出：
tensor([0., 1., 0., 1., 0., 1., 0., 1., 0., 1.])
接下来，给大家介绍一下租用GPU做实验的方法，我们是在智星云租用的GPU，使用体验很好。具体大家可以参考：智星云官网： http://www.ai-galaxy.cn/，淘宝店：https://shop36573300.taobao.com/公众号: 智星AI