想要調(diào)整你的神經(jīng)網(wǎng)絡(luò)來(lái)完成特定任務(wù)？這件事并沒(méi)有想象中那么簡(jiǎn)單。

深度神經(jīng)網(wǎng)絡(luò)（DNN）是塊好磚，不過(guò)想要搬動(dòng)它，需要耗費(fèi)的計(jì)算資源和時(shí)間成本可能非常昂貴。

現(xiàn)在，Google AI放出了MorphNet。他們用流行的圖像分類(lèi)神經(jīng)網(wǎng)絡(luò)Inception V2對(duì)其進(jìn)行測(cè)試之后發(fā)現(xiàn)，在不犧牲精度的情況下，神經(jīng)網(wǎng)絡(luò)變得更快更小，算力消耗還減少了！

MorphNet是什么

MorphNet是一種神經(jīng)網(wǎng)絡(luò)模型優(yōu)化（ refinement）技術(shù)，走的是利用現(xiàn)有架構(gòu)，針對(duì)特定任務(wù)優(yōu)化的路線(xiàn)。

也就是說(shuō)這是一個(gè)遷移學(xué)習(xí)問(wèn)題。遷移學(xué)習(xí)的難點(diǎn)在于找出不變量，模型需要處理許多與此前訓(xùn)練的任務(wù)目標(biāo)相近，但又不完全一樣的任務(wù)，這會(huì)使模型性能大打折扣甚至崩潰。

而MorphNet的成功之處在于，只要將針對(duì)類(lèi)似問(wèn)題構(gòu)建的神經(jīng)網(wǎng)絡(luò)作為輸入，就能為新任務(wù)創(chuàng)造更小、更快、更合身的新架構(gòu)。

MorphNet通過(guò)循環(huán)收縮和擴(kuò)展兩個(gè)階段來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)。

收縮階段

在收縮階段，MorphNet會(huì)識(shí)別出低效神經(jīng)元，并運(yùn)用稀疏正則化器來(lái)修剪它們。

需要說(shuō)明的是MorphNet會(huì)在考慮目標(biāo)資源的情況下來(lái)計(jì)算一個(gè)神經(jīng)元的損失，因此在訓(xùn)練過(guò)程之中，優(yōu)化器能夠意識(shí)到資源損失，從而認(rèn)識(shí)到哪些神經(jīng)元是高效的，哪些又是可以被移除的。

有些不明白？那么來(lái)看看下面這個(gè)例子，看MorphNet是如何計(jì)算神經(jīng)網(wǎng)絡(luò)的計(jì)算成本（如FLOPs，即每秒浮點(diǎn)運(yùn)算次數(shù)）的：

假設(shè)一個(gè)表示為矩陣乘法的神經(jīng)網(wǎng)絡(luò)層，該層具有 2 個(gè)輸入（Xn），6 個(gè)權(quán)重（a, b, …, f）以及 3 個(gè)輸出（Yn；神經(jīng)元）。也就是說(shuō)評(píng)估這一層需要 6 次乘法。

MorphNet將乘法數(shù)視作輸入數(shù)和輸出數(shù)的乘積。在左側(cè)的示例當(dāng)中，雖然有兩個(gè)權(quán)重為0，進(jìn)行評(píng)估時(shí)仍然需要執(zhí)行所有的乘法。但中間的示例顯示了結(jié)構(gòu)的稀疏性，MorphNet能夠識(shí)別它的輸出數(shù)為 2，并且該層的乘法數(shù)從 6 減少到了4。按照這個(gè)想法，MorphNet可以確定網(wǎng)絡(luò)中每一個(gè)神經(jīng)元的增量成本，以產(chǎn)生右側(cè)這樣更為有效的模型。

擴(kuò)展階段

在擴(kuò)展階段，MorphNet使用寬度乘數(shù)來(lái)均勻地?cái)U(kuò)展所有層的大小。

舉個(gè)例子，如果擴(kuò)展50%，那么對(duì)于低效層來(lái)說(shuō)，神經(jīng)元從 100 個(gè)收縮到 10 個(gè)之后，只會(huì)重新擴(kuò)展到15個(gè)；而對(duì)于重要層來(lái)說(shuō)，神經(jīng)元只會(huì)從 100 個(gè)收縮到 80 個(gè)，重新擴(kuò)展后則可能達(dá)到 120 個(gè)，并且獲得更多可支配的資源。

也就是說(shuō)，MorphNet的最終效果是將計(jì)算資源從網(wǎng)絡(luò)中效率低的部分重新分配到效率高的部分。

△ MorphNet優(yōu)化AI模型

效果怎么樣

Google AI團(tuán)隊(duì)用MorphNet對(duì)Inception V2網(wǎng)絡(luò)模型進(jìn)行了訓(xùn)練。

△ 圖片截自論文MorphNet論文

基線(xiàn)方法是使用寬度乘數(shù)，通過(guò)均勻縮小每個(gè)卷積的輸出數(shù)量來(lái)權(quán)衡精度和算力消耗（紅色）。

MorphNet方法則直接以算力消耗為目標(biāo)，在收縮模型時(shí)生成更好的權(quán)衡曲線(xiàn)（藍(lán)色）。

在同等精度之下，MorphNet方法將算力消耗降低了11%到15%。

在對(duì)Inception V2的優(yōu)化上MorphNet表現(xiàn)出色，對(duì)于其他的網(wǎng)絡(luò)模型，MorphNet也同樣好用。

△ 圖片截自論文MorphNet論文

既成功壓縮了模型尺寸/ FLOPs，在質(zhì)量上又幾乎沒(méi)有損失，果然Google出品，必屬精品。

這么好用的東西，Google已經(jīng)自己用起來(lái)了。Google AI團(tuán)隊(duì)表示，MorphNet已應(yīng)用于Google多個(gè)生產(chǎn)規(guī)模的圖像處理模型。

傳送門(mén)

MorphNet現(xiàn)已開(kāi)源。

GitHub地址：

https://github.com/google-research/morph-net

論文地址：

https://arxiv.org/pdf/1711.06798.pdf