陳莉君，李卓

（西安郵電大學(xué)計算機學(xué)院，西安710100）

0 引言

從AlphaGo開始，深度學(xué)習(xí)漸漸進入業(yè)內(nèi)研究者的視線。深度學(xué)習(xí)近些年大熱的主要原因是由于近些年設(shè)備的計算力的增加，尤其是圖形處理器（Graphics Processing Unit，GPU）對于浮點數(shù)運算的有力支持。YOLO[1]的提出了一種在目標(biāo)識別領(lǐng)域新的方式，將檢測和回歸問題集合在一起，大大的增加了對于目標(biāo)的檢測速度。但是，YOLO的網(wǎng)絡(luò)層數(shù)相較于傳統(tǒng)的網(wǎng)絡(luò)也增加很多，導(dǎo)致訓(xùn)練和推理的計算量會大大增加。尤其是嵌入式設(shè)備和移動設(shè)備，這些設(shè)備可能并不能很好地支撐層數(shù)增加之后帶來的計算量增加。為了能讓更多的設(shè)備和更多的人用上和享受到深度學(xué)習(xí)給他們帶來的方便，對于深度神經(jīng)網(wǎng)絡(luò)推理加速需求就漸漸增多了[2-4]。

國內(nèi)外現(xiàn)有的研究結(jié)果中有一部分是利用并行化神經(jīng)網(wǎng)絡(luò)進行加速，這樣可以將一個深度神經(jīng)網(wǎng)絡(luò)并行化拆分，分布式運行這個模型。另外一部分是使用軟件加速深度神經(jīng)網(wǎng)絡(luò)的例子。例如：EIE（Efficient Inference Engine）[5]這個軟件提出了一個推理引擎，對這個壓縮的網(wǎng)絡(luò)模型進行推理，并利用權(quán)重共享進行加速稀疏矩陣的相乘過程。DeepX[6]：用于移動設(shè)備上低功耗深度學(xué)習(xí)推斷的軟件加速器。Eyeriss[7]：用于深度卷積神經(jīng)網(wǎng)絡(luò)的節(jié)能可重構(gòu)加速器。針對深度神經(jīng)網(wǎng)絡(luò)模型的壓縮，Kim等人在2015年提出了一種壓縮CNN模型的方法。Soulie等人在2016年提出一種在模型訓(xùn)練階段進行壓縮的方法。首先在全連接層損失函數(shù)上增加額外的歸一項，使得權(quán)重趨向于二值，然后對于輸出層進行量化。

現(xiàn)有的加速方案都是基于大型GPU設(shè)備的。對于嵌入式和移動設(shè)備，加速的效果并不是很明顯。嵌入式和移動設(shè)備的硬件限制仍然是影響神經(jīng)網(wǎng)絡(luò)發(fā)展的一個重要的因素。

針對上述問題，本文中主要對YOLO神經(jīng)網(wǎng)絡(luò)進行壓縮，測試深度神經(jīng)壓縮[8]中剪枝方式對于卷積神經(jīng)網(wǎng)絡(luò)的模型減少和推理加速效果。

1 深度神經(jīng)壓縮

深度神經(jīng)網(wǎng)絡(luò)中通常會有過多的參數(shù)，存在大量的計算冗余的情況。這種情況將浪費設(shè)備的內(nèi)存和計算資源，加大了嵌入式設(shè)備、低功耗設(shè)備和移動設(shè)備的消耗[9-11]。

深度神經(jīng)壓縮（Deep Compression）存在四種方式，參數(shù)共享方法、網(wǎng)絡(luò)刪減方法、暗知識方法和矩陣分解方法。

參數(shù)共享的主要思路是多個參數(shù)共享一個值。通常實現(xiàn)的方法可以有很多選擇。例如Vanhoucke和Hwang等人使用定點方法江都參數(shù)精度，從而是值相近的參數(shù)共享一個值。Chen等人提出一種基于哈希算法的方法，將參數(shù)映射到相應(yīng)的哈希表上，實現(xiàn)參數(shù)共享。Gong等人使用K-means聚類方法將錢全部的參數(shù)進行聚類，每簇參數(shù)共享參數(shù)的中心值。

網(wǎng)絡(luò)刪減用來降低網(wǎng)絡(luò)復(fù)雜度，防止過擬合。Han等人針對模型的訓(xùn)練效果，然后在基于參數(shù)共享和哈夫曼編碼進一步對網(wǎng)絡(luò)壓縮。

在基于暗知識的方法中，Sau等人基于老師-學(xué)生學(xué)習(xí)框架對網(wǎng)絡(luò)進行壓縮。

基于矩陣分解理論，Sainath、Denil等人采用低秩分解對神經(jīng)網(wǎng)絡(luò)不同曾的參數(shù)進行壓縮。Denton等人在神經(jīng)網(wǎng)絡(luò)使用矩陣分解的方法加速了卷積層的計算過程，減少了全連接層的網(wǎng)絡(luò)參數(shù)，對于神經(jīng)網(wǎng)絡(luò)進行壓縮。

深度神經(jīng)壓縮主要表現(xiàn)在三個部分：存儲、訓(xùn)練復(fù)雜度和推理復(fù)雜度。以上介紹的方法中，都有各自的優(yōu)點和不足。參數(shù)共享方法、網(wǎng)絡(luò)刪減方法、暗知識方法和矩陣分解方法都可以有效的降低模型的存儲復(fù)雜度，但是在訓(xùn)練復(fù)雜度和推理復(fù)雜度上沒有重要影響。暗知識方法雖然在三個方面都有比較好的表現(xiàn)，但是在準(zhǔn)確率方面，相較于其他三種方法，會有較大的變化。

2 YOLO

YOLO屬于CNN，由卷積層、池化層和全連接層組成。與CNN不同的是，YOLO的輸出層不再是max函數(shù)，而是張量（Tensor）。

YOLO的訓(xùn)練和推理過程和其他CNN存在不同之處[12]，例如 R-CNN、Fast R-CNN和 Faster R-CNN 三種網(wǎng)絡(luò)。RCC、Fast R-CNN采用模塊分離的方式進行推理過程。在檢測目標(biāo)的過程中，兩種網(wǎng)絡(luò)需要將待檢測的目標(biāo)區(qū)域進行預(yù)提取，再將包含目標(biāo)的區(qū)域進行卷積/池化操作提取特征，最后進行檢測行為。在Faster R-CNN中，使用 RPN（Region Proposal Network）代替R-CNN/Fast R-CNN中的選擇搜索模塊，將RPN集成到Fast R-CNN模塊中，得到一個統(tǒng)一的檢測網(wǎng)絡(luò)。但是在模型的訓(xùn)練過程中，需要反復(fù)訓(xùn)練RPN網(wǎng)絡(luò)和Fast R-CNN網(wǎng)絡(luò)。上述三種網(wǎng)絡(luò)最大的特點就是在推理的過程中，需要將待檢測的目標(biāo)區(qū)域進行預(yù)讀取。預(yù)讀取會耗費大量的磁盤（內(nèi)存）空間，會對一些嵌入式設(shè)備、低功耗設(shè)備和移動設(shè)備造成壓力。YOLO在設(shè)計的過程中就針對的進行了改進。

3 基于深度神經(jīng)壓縮的YOLO加速

原始的YOLO模型在完成訓(xùn)練后，模型大小達到200M，對于嵌入式設(shè)備和移動設(shè)備而言。200M的模型進行內(nèi)存預(yù)讀，會對設(shè)備的性能造成較大的影響，所以論文主要從深度神經(jīng)壓縮理論入手，對于YOLO進行修改，達到對于模型進行體積壓縮，改善其在嵌入式設(shè)備和移動設(shè)備上的表現(xiàn)[15]。針對YOLO進行深度神經(jīng)壓縮，主要是以下步驟：

（1）權(quán)值修剪

（2）權(quán)值共享和量化

流程如圖1所示。

圖1 壓縮框架圖

3. 1 權(quán)值修剪

權(quán)值修剪[16]主要目的是保存YOLO中重要的鏈接來達到降低存儲數(shù)量和計算復(fù)雜度的目的。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，神經(jīng)網(wǎng)絡(luò)的框架結(jié)構(gòu)就已經(jīng)被固定了。用戶只需要進行數(shù)據(jù)的輸入，就可以在迭代訓(xùn)練后獲得需要的權(quán)重。但是這種固定框架結(jié)構(gòu)的方式，導(dǎo)致不能在訓(xùn)練的過程中，隨時對于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進行優(yōu)化。因此，常規(guī)訓(xùn)練出的模型文件大小都不適合于部署在嵌入式設(shè)備或者移動設(shè)備上。YOLO常規(guī)訓(xùn)練后的模型大小達到200M，對于嵌入式設(shè)備，將模型預(yù)讀進內(nèi)存中，提供給推理過程使用，將會消耗設(shè)備的所有內(nèi)存。所以，利用深度神經(jīng)壓縮的剪枝思路，對于YOLO模型進行壓縮，是提高YOLO在各種設(shè)備上通用性的一個方式。剪枝過程分為四個步驟；

（1）通過訓(xùn)練找到權(quán)重小于閾值的神經(jīng)網(wǎng)絡(luò)鏈接；

（2）刪除權(quán)重小于閾值的神經(jīng)網(wǎng)絡(luò)鏈接；

（3）重新對于神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；

（4）將修剪后的以 CSR（Compressed Sparse Row）方式存儲。

在訓(xùn)練的過程中使用公式：

對權(quán)重進行計算，使一部分權(quán)重趨向于0，然后將小于閾值的鏈接剪枝。使用公式的目的是能夠減少在訓(xùn)練剪枝過程中的過擬合現(xiàn)象，并且可以保持較高的精度。相對的，通常訓(xùn)練過程中的Droupout概率也需要進行調(diào)整。在深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程中，Droupout主要是用來防止訓(xùn)練出的模型數(shù)據(jù)有過擬合的現(xiàn)象。因為在上述的剪枝過程中，使用了L2正則進行過擬合的預(yù)防。所以，在重訓(xùn)練的過程中，按照剪枝后的神經(jīng)網(wǎng)絡(luò)數(shù)量進行對Droupout概率進行等比例的調(diào)整。初步剪枝之后將要進行對于本次鏈接層的一個重訓(xùn)練。每一次的剪枝過后的重新訓(xùn)練都是一個原子操作。重新訓(xùn)練的目的是為了神經(jīng)網(wǎng)絡(luò)模型有更好的精確度，以及更小的過擬合的可能。

剪枝之后的權(quán)重按照CSR方式進行存儲，CSR方式可以減少存儲元素位置index帶來的額外存儲開銷。按CSR方式轉(zhuǎn)換完成的稀疏矩陣，在存儲的過程中使用按位存儲的方式，存儲過程中，每一個非零元素都會進行標(biāo)記。如果使用3bit形式進行存儲，每一個非零元素和另外一個非零元素之間的距離在標(biāo)記后將會被檢查。如果一個非零元素和另外一個非零元素的超過8，則這個第八位的位置將會被填充一個0，這樣防止在使用按位存儲的時候出現(xiàn)數(shù)據(jù)的溢出。

3. 2 權(quán)值共享和量化

為了進一步的壓縮剪枝之后的YOLO，第二部將使用權(quán)值共享的方法[17]，對于剪枝結(jié)束的權(quán)值，進行一個K-means聚類。

式（2）中，W代表權(quán)值C代表聚類。

聚類之后的結(jié)果代表著一類權(quán)值的聚類執(zhí)行，這個質(zhì)心的值將作為共享的權(quán)值進行存儲。最后存儲的結(jié)果是一個碼書和一個索引表。

K-means算法中，聚類的核心是聚類中心的選擇和初始化。常規(guī)的初始化方式有三種：

（1）隨機初始化

（2）密度分布初始化

（3）線性初始化

由于在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中，權(quán)值越大，對神經(jīng)網(wǎng)絡(luò)精確度的影響越高，所以使用將權(quán)重排序后進行線性劃分的線性初始化較為合適。

本層的權(quán)重完成剪枝和共享之后，將執(zhí)行神經(jīng)網(wǎng)絡(luò)層與層之間的前向傳播和反向傳播。前向傳播時需要將每個權(quán)值用其經(jīng)過聚類的中心進行代替，反向傳播時，計算每個聚類中權(quán)值的梯度，用來進行聚類中心的更新和迭代。

4 實驗結(jié)果與分析

實驗結(jié)果分析算法在經(jīng)過深度神經(jīng)壓縮之后壓縮率、準(zhǔn)確率和執(zhí)行速度。運行YOLO模型的設(shè)備為NVIDIA TX2嵌入式開發(fā)板。YOLO的訓(xùn)練數(shù)據(jù)集為基于VoC2007和ImageNet的常見數(shù)據(jù)集。

4. 1 壓縮率

表1中展示了YOLO未壓縮和已壓縮之后的大小對比。

表1 YOLO壓縮體積對比

由表1可以看出，經(jīng)過深度神經(jīng)壓縮后的模型只有原模型的3%，減少了嵌入式設(shè)備和移動設(shè)備在預(yù)讀模型時的內(nèi)存消耗，提高了模型預(yù)讀的速度。

4. 2 準(zhǔn)確率

表2 僅剪枝YOLO模型大小和準(zhǔn)確率

表3 僅共享權(quán)重

表4 剪枝+共享權(quán)重

從表2、3、4可以得到，準(zhǔn)確率隨著模型體積的下降而下降。僅剪枝能達到的最低壓縮率為4.5%。僅共享權(quán)重最低壓縮率可以達到6%。剪枝和共享權(quán)重可以達到最低的壓縮率3%。

4. 3 運行速度

表5 壓縮YOLO在嵌入式設(shè)備上運行時間

表5可以看出壓縮網(wǎng)絡(luò)對比原始網(wǎng)絡(luò)，在嵌入式GPU設(shè)備上可以獲得5倍加速。

5 結(jié)語

本方案基于深度升級壓縮理論，提出了YOLO算法的改進方案。對于YOLO算法進行剪枝、共享權(quán)重、霍夫曼編碼等步驟。并且將壓縮后的YOLO算法部署到NVIDIA TX2上，進行目標(biāo)識別實驗。實驗結(jié)果表明，經(jīng)過優(yōu)化的YOLO可以在原體積3%的情況下穩(wěn)定運行，并且準(zhǔn)確率相較于原模型只有-2%的差距。并且在嵌入式設(shè)備上獲得原模型5倍的加速效果。但是該實驗只是單純的進行L2范式的權(quán)重衡量，沒有做到多情況的權(quán)重衡量。并且K-means只選擇了線性初始化的情況。后期實驗可以進行優(yōu)化，找到更好的剪枝方式和聚類方式[19-20]。