Facebook的神經(jīng)網(wǎng)絡(luò)新研究將助力嵌入式設(shè)備的發(fā)展

（文章來(lái)源：量子位）

人工智能風(fēng)暴襲來(lái)，機(jī)器人、自動(dòng)駕駛汽車這樣的嵌入式設(shè)備也熱度漸長(zhǎng)。毫無(wú)疑問(wèn)，現(xiàn)在，嵌入式設(shè)備也需要高效的神經(jīng)網(wǎng)絡(luò)加持。但是，如何在嵌入式設(shè)備上實(shí)現(xiàn)高效的神經(jīng)網(wǎng)絡(luò)，可不是一件簡(jiǎn)單的事情。性能，功耗，成本，都是不得不考慮的問(wèn)題。每一種不同的應(yīng)用場(chǎng)景，都需要在神經(jīng)網(wǎng)絡(luò)的大小和精確度之間進(jìn)行特定的權(quán)衡（trade-off）。

像自動(dòng)駕駛汽車，就需要實(shí)現(xiàn)對(duì)實(shí)時(shí)視頻的精確識(shí)別，這意味著嵌入其中的神經(jīng)網(wǎng)絡(luò)模型一定是個(gè)體積龐大的家伙。受限于硬件，神經(jīng)網(wǎng)絡(luò)必須進(jìn)行壓縮。在卷積神經(jīng)網(wǎng)絡(luò)壓縮這個(gè)課題上，移動(dòng)高效架構(gòu)是主流（MobileNets或ShuffleNets）。然而，基于移動(dòng)高效架構(gòu)的MobileNet-v2在ImageNet對(duì)象分類中雖然已經(jīng)達(dá)到了71%的 top-1準(zhǔn)確率，但這仍遠(yuǎn)落后于卷積神經(jīng)網(wǎng)絡(luò)的最佳表現(xiàn)83.1%。

Facebook的研究人員們決定轉(zhuǎn)換思路，既然如此，何不更專注于傳統(tǒng)的卷積網(wǎng)絡(luò)本身呢？重新審視神經(jīng)網(wǎng)絡(luò)的量化，F(xiàn)acebook提出了一種適用于ResNet類架構(gòu)的壓縮方法，名叫Bit Goes Down。這種方法利用了結(jié)構(gòu)化量化算法PQ（Product Quantization）中卷積的高相關(guān)性，重點(diǎn)關(guān)注activations的重建，而不是權(quán)重本身。也就是說(shuō)，這種方法只關(guān)注域內(nèi)輸入的重建質(zhì)量。

研究人員讓未經(jīng)壓縮的神經(jīng)網(wǎng)絡(luò)充當(dāng)“老師”，利用圖靈獎(jiǎng)得主Hinton等人提出的提煉（distillation）技術(shù)來(lái)指導(dǎo)“學(xué)生”網(wǎng)絡(luò)的壓縮。這一過(guò)程無(wú)需任何標(biāo)記數(shù)據(jù)，是一種無(wú)監(jiān)督學(xué)習(xí)方法。具體的實(shí)現(xiàn)方法是這樣的：一、層量化，先以全連接層為例。PQ算法的任務(wù)是量化全連接層的權(quán)重矩陣。但從實(shí)際需求來(lái)看，權(quán)重不重要，保留層的輸出才是研究人員的關(guān)注重點(diǎn)。

在非線性分類器中，不能保證層權(quán)重的Frobenius近似是某個(gè)任意域輸出的最佳近似（特別是對(duì)于域內(nèi)輸入）。因此，研究人員提出了一個(gè)替代方案，通過(guò)將層應(yīng)用于域內(nèi)輸入獲得輸出激活（activations）的重建誤差，直接最小化該誤差。用編碼簿（codebook）最大限度地減少輸出激活及其重建之間的差異。接著要對(duì)EM算法（最大期望化算法）進(jìn)行調(diào)整。

E-step是集群分配，這一步通過(guò)詳盡的探索來(lái)執(zhí)行。M-step是碼字（codeword）更新，這一步通過(guò)顯式計(jì)算最小二乘問(wèn)題的解來(lái)完成，實(shí)際上就是在E-step和M-step交替之前，計(jì)算x tilde的偽逆。需要注意的是在E-step之后某些集群可能為空。對(duì)于卷積層情況又是如何呢？在完全連接層，這一方法適用于任何矢量集，所以如果將相關(guān)的4D權(quán)重矩陣分割成一組向量，該方法就可以應(yīng)用于卷積層。

分割4D矩陣的方法有很多，標(biāo)準(zhǔn)就是要最大化矢量之間的相關(guān)性，因?yàn)楫?dāng)矢量高度相關(guān)時(shí)，基于矢量量化的方法效果最好。就像這樣，在空間上量化卷積濾波器以利用網(wǎng)絡(luò)中的信息冗余，不同顏色代表?yè)碛胁煌a字的子向量。二、網(wǎng)絡(luò)量化，接下來(lái)，就涉及到對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)的量化。首先，這是自下而上的量化，從最低層開(kāi)始，到最高層結(jié)束。這也就是所謂的用非壓縮的教師網(wǎng)絡(luò)引導(dǎo)學(xué)生網(wǎng)絡(luò)的壓縮。主要包括以下兩個(gè)步驟：

學(xué)習(xí)碼字，恢復(fù)該層的當(dāng)前（current）輸入激活，即通過(guò)量化后的低層轉(zhuǎn)發(fā)一批圖像而獲得的輸入激活。使用這些激活量化當(dāng)前層。微調(diào)碼字，采用Hinton的distillation方法微調(diào)碼字，以非壓縮網(wǎng)絡(luò)作為教師網(wǎng)絡(luò)，當(dāng)前層之前的壓縮網(wǎng)絡(luò)作為學(xué)生網(wǎng)絡(luò)。在這一步驟中，通過(guò)對(duì)分配給指定碼字的每個(gè)子矢量的梯度求平均，來(lái)完成碼字的精細(xì)化。更確切地說(shuō)，是在量化步驟之后，一次性修復(fù)分配。

接下來(lái)，就剩下最后一步，全局微調(diào)所有層的碼字，以減少殘余漂移。同時(shí)更新BatchNorm層的統(tǒng)計(jì)數(shù)據(jù)。全局微調(diào)使用的是標(biāo)準(zhǔn)的ImageNet訓(xùn)練集。小體積，高精度，研究人員用Bit Goes Down量化了在ImageNet數(shù)據(jù)集上預(yù)先訓(xùn)練好的vanila ResNet-18和ResNet-50。在16GB的 Volta V100 GPU上跑了一天之后，終于到了展示成果的時(shí)候。首先，是跟標(biāo)準(zhǔn)ResNet-18和ResNet-50的比較。

對(duì)于ResNet-18，在29倍壓縮的情況下，模型大小縮小到了1.54MB，而top-1準(zhǔn)確率僅比標(biāo)準(zhǔn)模型降低了不到4%。ResNet-50上模型大小略大一些，但也達(dá)到了5MB左右，準(zhǔn)確率同樣保持在一個(gè)可以接受的水平。跟模型壓縮界的前輩相比，Bit Goes Down表現(xiàn)出了它的優(yōu)勢(shì)，雖然在1MB的指定大小中敗下陣來(lái)，但在5MB的比拼中，新方法優(yōu)勢(shì)明顯，準(zhǔn)確率提升了將近5個(gè)百分點(diǎn)。

這意味著壓縮后的模型獲得了非壓縮ResNet-50的性能，同時(shí)還只有5MB大小。Bit Goes Down在圖像分類上表現(xiàn)不俗，在圖像檢測(cè)方面又如何呢？研究團(tuán)隊(duì)又壓縮了何愷明的Mask R-CNN。這回用上了8塊V100 GPU來(lái)進(jìn)行訓(xùn)練。在壓縮了25倍的情況下，壓縮模型的Box AP和Mask AP都只下降了4左右。這表現(xiàn)，著實(shí)有些厲害。Facebook表示，Bit Goes Down這樣的壓縮算法將推動(dòng)虛擬現(xiàn)實(shí)（VR）和增強(qiáng)現(xiàn)實(shí)（AR）等技術(shù)的進(jìn)一步發(fā)展。
? ? ? （責(zé)任編輯：fqj）