神經(jīng)網(wǎng)絡(luò)在FPGA上的應(yīng)用：深度壓縮方法

引言

這篇論文來(lái)自文章也幫助深鑒科技在國(guó)內(nèi)外獲得了一定知名度。深度壓縮首先通過(guò)剪枝減少了網(wǎng)絡(luò)的連接，然后通過(guò)比特量化來(lái)降低權(quán)重量，最后通過(guò)無(wú)損壓縮方式霍夫曼編碼來(lái)縮小存儲(chǔ)空間。作者分別對(duì)AlexNet和VGG-16進(jìn)行了實(shí)驗(yàn)，獲得了35倍和49倍的壓縮量，而且精度幾乎沒(méi)有損失。

1. 原理

深度壓縮之所以獲得成功主要是結(jié)合了三種壓縮方法：剪枝，量化和無(wú)損壓縮霍夫曼編碼，而且在大的數(shù)據(jù)集和深度神經(jīng)網(wǎng)絡(luò)中獲得了較高壓縮比以及精度未降。前兩種方法不僅僅降低了權(quán)重?cái)?shù)量，也提高了計(jì)算速率。而霍夫曼編碼只是能夠降低存儲(chǔ)空間，在實(shí)際計(jì)算的時(shí)候還需要進(jìn)行解碼操作，實(shí)際上不會(huì)提高計(jì)算率。

以上三種方法用圖來(lái)表示為三個(gè)過(guò)程：

這三個(gè)方法一次順序進(jìn)行，每個(gè)過(guò)程都單獨(dú)進(jìn)行。

2. 剪枝

首先進(jìn)行剪枝操作，也是很傳統(tǒng)的方法，就是通過(guò)一定策略來(lái)過(guò)濾掉一些不重要的神經(jīng)網(wǎng)絡(luò)連接。然后再重新訓(xùn)練進(jìn)行參數(shù)微調(diào)，不斷重復(fù)這個(gè)過(guò)程直到不能夠再進(jìn)行剪枝為止。剪枝后的神經(jīng)網(wǎng)絡(luò)連接大大減少，剩下的都是對(duì)網(wǎng)絡(luò)分類(lèi)有最重要貢獻(xiàn)的連接。其他被剪掉的連接的參數(shù)很小，產(chǎn)生的數(shù)值對(duì)結(jié)果影響可以通過(guò)重新訓(xùn)練來(lái)微調(diào)其他參數(shù)而彌補(bǔ)。在imageNet數(shù)據(jù)集上，剪枝方法可以將AlexNet的參數(shù)數(shù)量減少9倍而沒(méi)有精度上的損失。VGG-16同樣有類(lèi)似的現(xiàn)象，參數(shù)總量可以減少13倍左右而沒(méi)有精度損失。

3. 量化

接下來(lái)在剪枝網(wǎng)絡(luò)上做進(jìn)一步量化操作。基本思路是權(quán)重共享和聚類(lèi)。假設(shè)給定了k個(gè)類(lèi)，這是權(quán)重參數(shù)量化后可能產(chǎn)生的k個(gè)值，然后對(duì)權(quán)重執(zhí)行聚類(lèi)操作，聚類(lèi)方法選擇了k-means方式。然后會(huì)得到k個(gè)區(qū)間，這些權(quán)重參數(shù)都分布在這k個(gè)區(qū)間中。然后用對(duì)應(yīng)k個(gè)區(qū)間的數(shù)值來(lái)替代原來(lái)的權(quán)重?cái)?shù)據(jù)。K個(gè)數(shù)值通常需要log2(k)比特來(lái)表示。這樣就從原來(lái)的32bit降低到了log2(k)。

以下為k-means方法的目標(biāo)函數(shù)：

作者在同一層網(wǎng)絡(luò)上進(jìn)行權(quán)重共享，不同層之間的權(quán)重分別進(jìn)行聚類(lèi)。為什么不同層之間的權(quán)重不能夠進(jìn)行共享？可以這樣想，權(quán)重之所以可以共享和量化，是因?yàn)槠浔磉_(dá)的信息有一些共性，從數(shù)學(xué)上看同一層權(quán)重之間是以“求和”方式連接的，而不同層時(shí)間是“相乘”關(guān)系，后者有一定順序性，無(wú)法做到共享。否則會(huì)導(dǎo)致較高錯(cuò)誤率，而且層與層之間還有激活函數(shù)，歸一化函數(shù)，不能簡(jiǎn)單的進(jìn)行共享。

訓(xùn)練也進(jìn)行了量化，在原來(lái)權(quán)重求得梯度值基礎(chǔ)上進(jìn)行同樣的聚類(lèi)和量化操作，然后對(duì)量化的權(quán)重進(jìn)行微調(diào)得到新的值。過(guò)程如下圖所示。這里作者并不是用未量化的梯度來(lái)更新權(quán)重，用量化的梯度來(lái)更新可以減少訓(xùn)練迭代，在這里只進(jìn)行了兩次訓(xùn)練，第一次先訓(xùn)練出初始權(quán)重?cái)?shù)據(jù)，第二次是用量化的梯度更新權(quán)重。

4. 霍夫曼編碼

神經(jīng)網(wǎng)絡(luò)在FPGA上部署通常需要大量的緩存，為了降低緩存空間，霍夫曼編碼進(jìn)一步來(lái)壓縮權(quán)重?；舴蚵幋a是一種無(wú)損編碼，其通過(guò)數(shù)據(jù)的重復(fù)率來(lái)進(jìn)行數(shù)據(jù)重新編碼，重復(fù)率高的用少的比特，重復(fù)率少的用多的比特，這樣就降低了數(shù)據(jù)存儲(chǔ)空間。雖然霍夫曼編碼能壓縮2到3倍權(quán)重，但是并不適合在FPGA上實(shí)現(xiàn)。因?yàn)榛舴蚵獯a要消耗大量資源，同時(shí)霍夫曼解碼是單bit進(jìn)行解析，速度較慢。這些都不利于FPGA上加速深度神經(jīng)網(wǎng)絡(luò)。

5. 實(shí)驗(yàn)結(jié)果

作者主要在AlexNet和VGG-16上進(jìn)行了嘗試，結(jié)果如圖：

從結(jié)果中可以獲得以下結(jié)論：
1） 全連接層的剪枝和量化都很大，說(shuō)明全連接層信息有很大冗余；
2） 越深的網(wǎng)絡(luò)壓縮比例越大；

結(jié)論

本文介紹了深度壓縮方法，其結(jié)合了剪枝，量化和霍夫曼編碼的方式來(lái)最大限度降低權(quán)重?cái)?shù)據(jù)量，這種方法促進(jìn)了深度神經(jīng)網(wǎng)絡(luò)在FPGA器件上的應(yīng)用能力。

編輯：hfy