[人工智能]神经网络模型压缩综述

1.裁剪(pruning)

定义：裁剪是指对卷积网络的通道数进行裁剪，减少大模型的参数量

1.1 L1NormFilterPruner

论文：https://arxiv.org/abs/1608.08710
使用L1-norm统计量来表示一个卷积层内各个Filters的重要性，L1-norm越大的Filter越重要。
L1Norm直接计算各滤波器的L1范数，根据范数大小来决定裁剪哪个滤波器，如下左图，第二个滤波器L1范数最小，所以裁剪第二个滤波器，同理裁剪右图的第4个滤波器

1.2 L2NormFilterPruner

L2Norm计算各滤波器的L2范数，根据范数大小来决定裁剪哪个滤波器。

1.3 FPGMFilterPruner

论文： https://arxiv.org/abs/1811.00250
该策略通过统计Filters两两之间的几何距离来评估单个卷积内的Filters的重要性。直觉上理解，离其它Filters平均距离越远的Filter越重要。

1.4 SlimFilterPruner

论文：https://arxiv.org/pdf/1708.06519.pdf
该策略根据卷积之后的batch_norm的scales来评估当前卷积内各个Filters的重要性。scale越大，对应的Filter越重要。

1.5 OptSlimFilterPruner

论文：https://arxiv.org/pdf/1708.06519.pdf

2.量化

定义：将float32（占用4bit）计算量化为int8(1bit）计算，使得模型的计算量和参数量减少
量化是指将信号的连续取值近似为有限多个离散值的过程。可理解成一种信息压缩的方法。在计算机系统上考虑这个概念，一般用“低比特”来表示。也有人称量化为“定点化”，但是严格来讲所表示的范围是缩小的。定点化特指 scale 为 2 的幂次的线性量化，是一种更加实用的量化方法。

原理：模型量化为定点与浮点等数据之间建立一种数据映射关系，使得以较小的精度损失代价获得了较好的收益。

2.1 tensorrt （低比特推理）

前提，使用float32高比特的数值进行训练，训练得到的网络精度较高，有一定的容忍度。训练时使用高比特的数值表示，可以让网络以很小的计算量修正参数。而，使用低比特的数值来表示网络参数以及中间值，会带来一定误差，但是低比特数值引进的误差是在网络的容忍度之内的，所以对预测精度不会产生大的影响。

图2.1 不同比特的数值表示动态范围
将float32降为int8的过程，也就是相当于信息再编码，将使用float32来表示的一个tensor用int8来表示，这里面的float32转换为int8需要对每一层的输入tensor和网络中学习到的参数都需要进行转换。

2.1.1线性量化（线性映射，又叫对称映射）

映射前后的数值（float<->int8）满足以下关系式

sf是每一层相对于上一层tensor的比例因子。

图2.2 不饱和对称映射
如上图，是一个对称映射示意图，简单的将一个tensor中的-|max|和|max|（float32）数值映射到-127和127（int8数值表示范围），中间值也按照线性关系进行映射。

实验结果表明，上述的映射方式会产生很大的精度损失

2.1.2 tensorrt的做法（不对称映射）

图2.3 饱和不对称映射
如上图，不直接将原数值土|max|映射为土127，而是使用一个阈值|T|，将土|T|映射为土127，阈值|T|值是小于|max|。具体一点，就是超出阈值土|T|的数值直接映射为土127，如上图的红色数值。阈值T选取变成关键。

如何确定T？
引入一个衡量指标相对熵（又称为KL散度），来衡量不同的int8（Q）分布与原来的float32（P）分布之间的差异程度。计算公式如下：
[图片]
公式左边的P，Q分别称为reference_distribution、quantize_distrbution
确定每一层的|T|值也称为校准（Calibration）过程

2.1.3 校准（calibration）->确定|T|值

从验证集选取一个子集作为校准集，激活值的分布就是从校准集中得到。过程如下：
1）首先在校准集上进行原精度（float32）推理；
2）遍历网络的每一层，收集每一层的激活值，并制作成直方图，分成若干个组别；
3）对于不同的阈值|T|进行遍历，选取使得 KL_divergence(ref_distr, quant_distr) 取得最小值的|T|;
4) 返回一系列的|T|值，创建校准表

计算KL散度 KL_divergence(P, Q)的时候，（P，Q序列的长度需要一致）

2.1.4 DP4A（Dot Product of 4 8-bits Accumulated to a 32-bit）

tensorrt int8卷积计算使用到DP4A计算方式。首先使用int8的输入与int8的权重相乘，得到int32的输出，然后强制转换为float32，并将float32的偏置乘上缩放因子与前面计算得到的float32数值进行相加，然后激活，最后再将float32转为int8。

2.1.5 可提升的方向

对阈值|T|进行微调，用户自定义比例因子等

2.2 动态量化与静态量化

动态量化：对于动态量化，缩放因子（Scale）和零点（Zero Point）是在推理时计算得到的，并且特定用于每次激活，优点是准确率更高，缺点是带来了额外的计算开销，一般常用于RNN，transform的模型中量化方式；
静态量化：使用校准数据集离线计算缩放因子（Scale）和零点（Zero Point），这样网络中所有的缩放因子和零点都一样，一般常用于对卷积神经网络模型的量化方式。

2.3 离线量化与在线量化

离线量化：又叫训练后量化，仅需要使用少量校准数据，确定最佳量化的参数降低量化误差，优点是需要的数据量少，但是量化模型精度低于在线量化。
在线量化：

3.蒸馏

定义：将大模型的知识迁移到小模型上，来提升小模型的精度。通过构建一个轻量化的小模型（student模型），利用性能更好的teacher模型来监督student模型进行训练

3.1 离线蒸馏

需要在已知数据集上训练一个teacher模型，然后用该teacher模型对student模型进行监督训练来达到蒸馏的目的。（teacher模型的精度与student模型精度差值越高，蒸馏的效果越好）

3.2半监督蒸馏

利用teacher模型的预测信息作为标签，对students模型进行监督学习。在输入students模型训练之前，将未标注的数据，利用teacher模型进行预测，输出的标签信息再作为训练数据输入到student模型当中。

这种方式，减少了数据标注的时间，可以让student模型学习更多的数据，提高精度。

3.3自监督蒸馏

整个过程由student模型本身的训练完成，不需要teacher模型进行监督。实现方式有，先开始训练student模型，然后在整个训练过程中的最后几个epoch，利用前面训练好的student模型作为监督模型，在剩下的epoch中，对模型进行蒸馏。

4.NAS（Network Architecture Search）

定义：自动神经网络搜集，是一种自动设计神经网络的技术，根据搜索空间使用一定的搜索算法来自动设计出高性能的网络结构。

首先需要定义一些神经网络结构，将数据和网络结构随机组合，让神经网络自己选择下个模块，一个模块预测一个模块，最终组合成一个完整的神经网络

参考链接
[1] https://blog.csdn.net/qq_40035462/article/details/123361763
[2] https://zhuanlan.zhihu.com/p/374374300