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 kernelself.conv1 = nn.Conv2d(1, 6, 3)self.conv2 = nn.Conv2d(6, 16, 3)self.fc1 = nn.Linear(16 * 5 * 5, 120)  # 5x5 image dimensionself.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 hookbreak

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 layersif isinstance(module, torch.nn.Conv2d):prune.l1_unstructured(module, name='weight', amount=0.2)# prune 40% of connections in all linear layerselif 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，激活度，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] = 0return 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 thebinary mask applied to the parameter `name` by the pruning method.The parameter `name` is replaced by its pruned version, while theoriginal (unpruned) parameter is stored in a new parameter named`name+'_orig'`.
Args:module (nn.Module): module containing the tensor to prunename (string): parameter name within `module` on which pruningwill act.
Returns:module (nn.Module): modified (i.e. pruned) version of the inputmodule
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

剪枝PRUNING TUTORIAL相关推荐

《AI系统周刊》第4期：DNN模型压缩之剪枝(Pruning)
No.04 智源社区 AI系统组 A I 系统研究观点资源活动关于周刊 AI系统是当前人工智能领域极具现实意义与前瞻性的研究热点之一,为了帮助研究与工程人员了解这一领域的进展和资讯,我们 ...
减少模型参数---模型剪枝(Pruning Deep Neural Networks)
简介模型剪枝就是根据神经元的贡献程度对网络中的神经元进行排名,可以从网络中移除排名较低的神经元,从而形成一个更小.更快的网络模型. 基本思想示意图: 模型剪枝根据神经元权重的L1/L2范数来进行排序 ...
内存中有两个4字节以压缩的bcd_卷积神经网络的压缩与加速 -- 剪枝(PRUNING)论文(二)...
Learning Efficient Convolutional Networks through Network Slimming Abstract: 讲道理它这个摘要写得好霸气..太猛了这个方 ...
【6s965-fall2022】剪枝✂pruningⅠ
模型剪枝的介绍修剪,消除不必要的知识.DNN的知识可以理解为存在于其权重中. 事实证明,许多 DNN 模型可以被分解为权重张量,而权重张量经常包含统计冗余(稀疏性).因此,你可以压缩 DNN 的权重 ...
pytorch distiller filter channel剪枝
Home - Neural Network DistillerDistiller Documentation by Intel AIhttps://intellabs.github.io/distil ...
决策树准确率低原因_机器学习决策树算法--剪枝算法
一.剪枝算法决策树生成算法递归地产生决策树,直到不能继续下去为止.这样产生的树往往对训练数据的分类很准确,但对未知的测试数据的分类却没有那么准确,即出现过拟合现象.过拟合的原因在于学习时过多地考虑如何 ...
剪枝计算机,α-β剪枝 - 电脑黑白棋 - 黑白棋天地
α-β剪枝算法前面介绍的基本搜索算法,在实际应用是是十分费时的,因为它需要考虑所有可能的棋步.有研究表明,在黑白棋的中盘阶段,平均每个局面大约有10步棋可供选择[1].如果程序前瞻10步(搜索深度为 ...
决策树及决策树生成与剪枝
文章目录 1. 决策树学习 2. 最优划分属性的选择 2.1 信息增益 - ID3 2.1.1 什么是信息增益 2.1.2 ID3 树中最优划分属性计算举例 2.2 信息增益率 - C4.5 2.3 ...
机器学习算法 04 —— 决策树(ID3、C4.5、CART，剪枝，特征提取，回归决策树)
文章目录系列文章决策树 1 决策树算法简介 2 决策树分类的原理 2.1 信息熵 2.2 决策树划分依据-信息增益(ID3) 2.3 决策树划分依据-信息增益率(C4.5) 2.4 决策树划分依据 ...

剪枝PRUNING TUTORIAL

剪枝PRUNING TUTORIAL相关推荐

最新文章

热门文章