深度學(xué)習(xí)在模型及其數(shù)據(jù)集方面正在以驚人的速度增長。在應(yīng)用方面，深度學(xué)習(xí)市場以圖像識別為主，其次是光學(xué)字符識別，以及面部和物體識別。根據(jù) Allied 的市場調(diào)查，2020 年全球深度學(xué)習(xí)市場規(guī)模為 68.5 億美元，預(yù)計到 2030 年將達到 1799.6 億美元，從 2021 年到 2030 年的復(fù)合年增長率為 39.2%。

在某個時間點，人們認(rèn)為大型和復(fù)雜的模型表現(xiàn)更好，但現(xiàn)在它幾乎是一個神話。隨著邊緣AI的發(fā)展，越來越多的技術(shù)將大型復(fù)雜模型轉(zhuǎn)換為可以在邊緣上運行的簡單模型，所有這些技術(shù)結(jié)合在一起執(zhí)行模型壓縮。

什么是模型壓縮？

模型壓縮是在具有低計算能力和內(nèi)存的邊緣設(shè)備上部署SOTA（最先進的）深度學(xué)習(xí)模型的過程，而不會影響模型在準(zhǔn)確性，精度，召回性等方面的性能。模型壓縮廣泛地減少了模型中的兩件事，即大小和延遲。大小減小側(cè)重于通過減少模型參數(shù)使模型更簡單，從而減少執(zhí)行中的 RAM 要求和內(nèi)存中的存儲要求。減少延遲是指減少模型進行預(yù)測或推斷結(jié)果所花費的時間。模型大小和延遲通常是一起的，大多數(shù)技術(shù)都會減少兩者。

流行的模型壓縮技術(shù)

修剪：

修剪是模型壓縮的最流行的技術(shù)，它通過刪除冗余和無關(guān)緊要的參數(shù)來工作。神經(jīng)網(wǎng)絡(luò)中的這些參數(shù)可以是連接器、神經(jīng)元、通道，甚至是層。它很受歡迎，因為它同時減小了模型的大小并改善了延遲。

修剪

修剪可以在訓(xùn)練模型時或在訓(xùn)練后完成。有不同類型的修剪技術(shù)，包括重量/連接修剪，神經(jīng)元修剪，過濾器修剪和層修剪。

量化：

當(dāng)我們在修剪中移除神經(jīng)元，連接，過濾器，層等以減少加權(quán)參數(shù)的數(shù)量時，權(quán)重的大小在量化過程中減小。在此過程中，較大集中的值將映射到較小集中的值。與輸入網(wǎng)絡(luò)相比，輸出網(wǎng)絡(luò)的值范圍較窄，但保留了大部分信息。

知識提煉：

在知識提煉過程中，一個復(fù)雜而大型的模型在一個非常大的數(shù)據(jù)集上被訓(xùn)練。微調(diào)大型模型后，它可以很好地處理看不見的數(shù)據(jù)。一旦實現(xiàn)，這些知識就會轉(zhuǎn)移到較小的神經(jīng)網(wǎng)絡(luò)或模型中。同時使用教師網(wǎng)絡(luò)（較大模型）和學(xué)生網(wǎng)絡(luò)（較小模型）。這里存在兩個方面，知識提煉，其中我們不調(diào)整教師模型，而在遷移學(xué)習(xí)中，我們使用確切的模型和權(quán)重，在一定程度上改變模型，并針對相關(guān)任務(wù)進行調(diào)整。

知識蒸餾系統(tǒng)

知識、蒸餾算法和師生架構(gòu)模型是典型知識蒸餾系統(tǒng)的三個主要部分，如上圖所示。

低矩陣分解：

矩陣構(gòu)成了大多數(shù)深度神經(jīng)架構(gòu)的大部分。該技術(shù)旨在通過應(yīng)用矩陣或張量分解并將它們變成更小的矩陣來識別冗余參數(shù)。當(dāng)應(yīng)用于密集 DNN（深度神經(jīng)網(wǎng)絡(luò)）時，此技術(shù)可降低 CNN（卷積神經(jīng)網(wǎng)絡(luò)）層的存儲要求和因式分解，并縮短推理時間。具有二維且具有秩 r 的權(quán)重矩陣 A 可以分解為更小的矩陣，如下所示。

低矩陣因式分解

模型準(zhǔn)確性和性能在很大程度上取決于正確的因式分解和秩選擇。低秩因式分解過程中的主要挑戰(zhàn)是更難實現(xiàn)，并且計算密集型?？傮w而言，與全秩矩陣表示相比，密集層矩陣的因式分解可導(dǎo)致更小的模型和更快的性能。

由于邊緣AI，模型壓縮策略變得非常重要。這些方法相互補充，可以在整個AI管道的各個階段使用。像張量流和Pytorch這樣的流行框架現(xiàn)在包括修剪和量化等技術(shù)。最終，該領(lǐng)域使用的技術(shù)數(shù)量將會增加。

審核編輯：郭婷