点上方计算机视觉联盟获取更多干货

仅作学术分享，不代表本公众号立场，侵权联系删除

转载于：量子位

AI博士笔记系列推荐

周志华《机器学习》手推笔记正式开源！可打印版本附pdf下载链接

你还在为神经网络模型里的冗余信息烦恼吗？

或者手上只有CPU，对一些只能用昂贵的GPU建立的深度学习模型“望眼欲穿”吗？

最近，创业公司Neural Magic带来了一种名叫新的稀疏化方法，可以帮你解决烦恼，让你的深度学习模型效率“一节更比七节强”！

Neural Magic是专门研究深度学习的稀疏方法的公司，这次他们发布了教程：用recipe稀疏化YOLOv3。

听起来有点意思啊，让我们来看看是怎么实现的~

稀疏化的YOLOv3

稀疏化的YOLOv3使用剪枝（prune）和量化（quantize）等算法，可以删除神经网络中的冗余信息。

这种稀疏化方法的好处可不少。

它的推断速度更快，文件更小。

但是因为过程太复杂，涉及的超参数又太多，很多人都不太关心这种方法。

Neural Magic的ML团队针对必要的超参数和指令，创建了可以自主编码的recipe。

各种不同条件下的recipe构成了一种可以满足客户各类需求的框架。

这样就可以建立高度精确的pruned或pruned quantized的YOLOv3模型，从而简化流程。

那这种稀疏化方法的灵感来源是什么呢？

其实，Neural Magic 的 Deep Sparse（深度稀疏）架构的主要灵感，是在产品硬件上模仿大脑的计算方式。

它通过利用 CPU 的大型快速缓存和大型内存，将神经网络稀疏性与通信局部性相结合，实现效率提升。

教程概况

本教程目录主要包括三大模块：

• 创建一个预训练的模型

• 应用Recipe

• 导出推理

教程的这些recipe可以帮助用户在Ultralytics强大的训练平台上，使用稀疏深度学习的recipe驱动的方法插入数据。

教程中列出的示例均在VOC数据集上执行，所有结果也可通过“权重和偏差”项目公开获得（地址见参考链接4）。

调试结果展示

研究团队给出了稀疏YOLOv3目标检测模型在Deep Sparse引擎和PyTorch上的运行情况。

这段视频以波士顿著名地标为特色，在Neural Magic的诞生地——MIT的校园取景。

同样的条件下，在Deep Sparse引擎上比PyTorch上效率会更高。

遇到的常见问题

如果用户的硬件不支持量化网络来推理加速，或者对完全恢复的要求非常高，官方建议使用pruned或pruned short 的recipe。

如果用户的硬件可以支持量化网络，如CPU 上的 VNNI 指令集，官方建议使用pruned quantized或pruned quantized short的recipe。

所以使用哪一种recipe，取决于用户愿意花多长时间训练数据，以及对完全恢复的要求。

具体要比较这几种recipe的话，可以参考下表。

网友：这个框架会比传统的机器学习框架pytorch好吗？

既然给出了和pytorch的比较视频，就有网友发问了：

Neural Magic也使用python吗？为什么一个比另一个快10倍以上？我不相信像pytorch这样传统的机器学习框架不会得到优化。两种模型的实现是否相同？

公司官方人员也下场解释了：

我们拥有专利技术，可以通过减少计算和内存移动来使稀疏网络在CPU上更高效的运行。

虽然传统的ML框架也能很好地实现简单而高效的训练过程。

但是，多加入一些优化的推理，可以实现更多的性能，尤其是在CPU上更明显。

看来，有了以上强大的YOLOv3 模型工具和教程，用户就可以在CPU上，以最小化的占用空间和GPU的速度来运行深度学习模型。

这样有用的教程，你还在等什么？

希望教程能对大家有所帮助，欢迎在评论区分享交流训练模型经验~

最后介绍一下Neural Magic，有兴趣的朋友可以去了解一下。

Neural Magic是一家什么样的公司？

Neural Magic成立在马萨诸塞州的剑桥。

创始人Nir Shavit和Alexander Matveev在MIT绘制大脑中的神经连接图时，一直觉得GPU有许多限制。

因此他们停下来问自己两个简单的问题：

为什么深度学习需要GPU等专用硬件？

有什么更好的方法吗？

毕竟，人脑可以通过广泛使用稀疏性来减少神经网络，而不是添加FLOPS来匹配神经网络，从而满足神经网络的计算需求。

基于这种观察和多年的多核计算经验，他们采用了稀疏和量化深度学习网络的技术，并使其能够以GPU的速度或更高的速度在商用CPU上运行。

这样，数据科学家在模型设计和输入大小上就不需要再做妥协，也没必要用稀缺且昂贵的GPU资源。

Brian Stevens

Neural Magic的CEO，Red Hat和Google Cloud的前CTO。

Nir Shavit

Neural Magic联合创始人。

麻省理工学院教授，他目前的研究涉及为多处理器设计可伸缩软件的技术，尤其是多核计算机的并发数据结构。

Alexander Matveev

Neural Magic首席技术官兼联合创始人。

麻省理工学院前研究科学家，专门研究AI多核算法和系统。

参考链接：

[1]https://github.com/neuralmagic/sparseml/blob/main/integrations/ultralytics-yolov3/t2.utorials/sparsifying_yolov3_using_recipes.md
[2]https://neuralmagic.com/blog/sparsifying-yolov3-using-recipes-tutorial/
[3]https://arxiv.org/pdf/1804.02767.pdf
[4]https://wandb.ai/neuralmagic/yolov3-spp-lrelu-voc

-------------------

END

--------------------

我是王博Kings，985AI博士，华为云专家、CSDN博客专家（人工智能领域优质作者）。单个AI开源项目现在已经获得了2100+标星。现在在做AI相关内容，欢迎一起交流学习、生活各方面的问题，一起加油进步！

我们微信交流群涵盖以下方向（但并不局限于以下内容）：人工智能，计算机视觉，自然语言处理，目标检测，语义分割，自动驾驶，GAN，强化学习，SLAM，人脸检测，最新算法，最新论文，OpenCV，TensorFlow，PyTorch，开源框架，学习方法...

这是我的私人微信，位置有限，一起进步！

王博的公众号，欢迎关注，干货多多

王博Kings的系列手推笔记（附高清PDF下载）：

博士笔记 | 周志华《机器学习》手推笔记第一章思维导图

博士笔记 | 周志华《机器学习》手推笔记第二章“模型评估与选择”

博士笔记 | 周志华《机器学习》手推笔记第三章“线性模型”

博士笔记 | 周志华《机器学习》手推笔记第四章“决策树”

博士笔记 | 周志华《机器学习》手推笔记第五章“神经网络”

博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机（上）

博士笔记 | 周志华《机器学习》手推笔记第六章支持向量机（下）

博士笔记 | 周志华《机器学习》手推笔记第七章贝叶斯分类（上）

博士笔记 | 周志华《机器学习》手推笔记第七章贝叶斯分类（下）

博士笔记 | 周志华《机器学习》手推笔记第八章集成学习（上）

博士笔记 | 周志华《机器学习》手推笔记第八章集成学习（下）

博士笔记 | 周志华《机器学习》手推笔记第九章聚类

博士笔记 | 周志华《机器学习》手推笔记第十章降维与度量学习

博士笔记 | 周志华《机器学习》手推笔记第十一章稀疏学习

博士笔记 | 周志华《机器学习》手推笔记第十二章计算学习理论

博士笔记 | 周志华《机器学习》手推笔记第十三章半监督学习

博士笔记 | 周志华《机器学习》手推笔记第十四章概率图模型

点分享

点收藏

点点赞

点在看