在https://hpg123.blog.csdn.net/article/details/137705869中，根据论文提供的数据初步整理出了模型剪枝的信息，但不够精练，故而在此深入分析。
主要解决以下问题：
1、模型剪枝真的有用么？
2、什么样的方案模型剪枝效果好？
3、模型剪枝对性能影响大么？

通过分析，得出结论，剪枝是有用的；自动结构化剪枝效果是综合效果最优的；对于任意规模的问题训练处的模型，剪枝50%基本上不会影响精度，如果问题规模较小，剪枝规模还可以更大。

前提概要
论文中提到的剪枝步骤包含：训练大模型、剪枝成小模型、微调小模型。

然后与剪枝方案对比的训练方案有，Scratch-E、Scratch-B。
Scratch-E：表示与剪枝模型训练相同epoch数，
Scratch-B：表示相同计算预算的训练（在ImageNet上，如果修剪模型节省的FLOPs超过2倍，则将训练epoch的数量增加一倍）

所涉及到的数据有：cifar10、cifar100、imagenet 。cifar10是简单数据、cifar100是复杂数据、 imagenet 是极其复杂的数据。
涉及的模型有：vgg模型（简单结构模型）、resnet模型（复杂结构模型）、densenet模型（超复杂结构模型）。

1、模型剪枝真的有用么？

整体来说是有用的，在论文中虽然证明未剪枝模型展现出了与剪枝模型相同的性能，但有很多隐含信息没有披露。

论文中的剪枝：是从0训练重参数模型开始，然而实际工作中是直接从剪枝开始、或者是从迁移学习模开始。绝大部分工作都是使用开源的预训练模型，从迁移学习开始

基于重参数模型模型得出的剪枝模型，本质上是一个精度快速上升（训练重参数模型），然后在轻微下降的过程。很多时候，模型剪枝掉少量参数后，并没有显著的精度下降，重新训练的精度起点比较高。例如一个模型剪枝掉10%的权重 从torch-prune项目中的一个图片可以看出，模型参数从2.57左右降低到2.28左右，精度只是从75%左右降低到60%左右。

然而，从0开始训练目标结构的模型，是一个精度慢慢上升的过程（小模型的拟合能力必然是没有迁移大模型强）。从零训练精度通常是从0开始增加，至少要20个epoch左右才能达到top精度的30%-50%左右。在精度起点上，从0训练就要额外多20个epoch保持相同的起点。

论文中所阐述的Scratch-B，可以媲美甚至超越剪枝的精度，要求相同的训练预算，这意味着epoch数要比剪枝多n倍。如下图所示，Scratch-E与Scratch-B的精度差距不足0.2%, 但这两个方法都是一样的训练起点与过程，只是Scratch-B的epoch数多了n倍。假设剪枝50%，Scratch-B训练了100个epoch，那Scratch-E则训练了200个epoch 这是一个精度缓慢的增长过程，在普通的训练重很可能就因为early stop策略而停止了，作者却通过耐心训练达成目标，但未取得与训练资源相匹配的效果。

2、什么样的方案模型剪枝效果好？

在论文中一个展示了3种剪枝策略：预定义的结构化修剪、自动结构化剪枝、基于非结构化大小的修剪。通过分析自动结构化剪枝是最为有效的。

预定义的结构化修剪：是指基于现有网络，进行layer kernel数量级的剪枝，在训练前就已经设定好目标结构了。以ImageNet结构为例，

自动结构化剪枝：是指基于现有网络，对符合剪枝条件的layer kernel进行剪枝，在剪枝前不知道目标网络结构。

基于非结构化的修剪：是指基于现有网络，对符合剪枝条件的参数进行移除（是一个最细粒度的参数移除），在剪枝前不知道目标网络结构。

2.1 预定义的结构化修剪效果

这里关于CIFAR-10的结果可以忽略（这是一个简单数据集）。
关于ImageNet的剪枝中，基于L1规则的剪枝效果保持最好，是通过最小化下一层的特征图重建误差来修剪通道方法。 但这里的数据不够全面，没有展示出ResNet50在L1测量下的剪枝效果。然后论文作者得出结论，剪枝模型不如同等训练资源下的原始模型; 但我们已经分析出，这在工程上是个假命题； 同时也透露了，在预定义结构的剪枝方法下，是一定存在精度损失的。

2.2 自动结构化剪枝效果

该方法是基于L1等权重重要性分析规则，移除模型中的权重。本质上可以看成非结构化剪枝的更高层或更粗粒度
在该方法下，可以看到剪枝40%的权重，模型依然能保持相同的精度。可以看出该方案是优于2.1方案的。 这里没有进行剪枝后得出目标网络结构，实际上是无法开展Scratch-E或者Scratch-B的工作。

2.3 非结构化剪枝效果

非结构化剪枝表现出与自动化结构剪枝类似的将，可以确定剪枝50%左右对精度没有影响。但是，非结构化剪枝后的模型在普通硬件上并没有加速效果，只有结构化剪枝才能在普通硬件上加速。 实际上没有用

3、模型剪枝对性能影响大么？

对于一般性难点数据（CIFAR100级别），基于章节2中分析，其实已经可以发现剪枝50%（模型加速一倍），对任意被剪枝性能基本上是没有影响的。 基于DepGraph: Towards Any Structural Pruning论文数据，更是可以发现剪枝到30%（推理速度3x）也可以保持性能。

对于简单性数据（CIFAR10级别），基于下图可以看出，对于高冗余模型vgg16（传统conv模型），精度几乎没有影响，也就是说可以在高冗余模型中剥离出80%的无关参数。但对于Resnet等复杂设计的模型，精度存在下降。这与前面的图表数据有冲突，章节2中的图表展示，对于CIFAR10数据，对任意剪枝模型基本上没有精度变化。

对于复杂性数据（ImageNet级别），基于章节2中分析，其实已经可以发现剪枝50%（模型加速一倍），对任意被剪枝性能基本上是没有影响的。 通过论文SlimSAM: 0.1% Data Makes Segment Anything Slim中的数据也可以发现。如果存在精度下降，只能是说剪枝的方式与权重选择方式存在问题。