【Datawhale组队学习】模型减肥秘籍：模型压缩技术6—

【Datawhale组队学习】模型减肥秘籍：模型压缩技术6——项目实践

NNI (Neural Network Intelligence) 是由微软开发的一个开源自动化机器学习（AutoML）库，用于帮助研究人员和开发人员高效地进行机器学习实验。它提供了一套丰富的工具来进行模型调优、神经网络架构搜索、模型压缩以及自动化的超参数搜索。
在这里插入图片描述

1.模型剪枝

代码的主要目的是展示如何通过 NNI 进行神经网络模型剪枝，以减少模型大小和计算复杂度，之后通过微调来恢复模型的性能，并实现剪枝后的加速部署。这种方法有助于将复杂的神经网络压缩，使其更适合在资源受限的设备上运行，同时保持尽可能高的准确率。

核心代码：

config_list = [{
    'op_types': ['Linear', 'Conv2d'],
    'exclude_op_names': ['fc3'],
    'sparse_ratio': 0.8
}]

这段代码定义了一个剪枝配置 config_list，用于指定如何对模型的特定层进行剪枝。下面是每个参数的解释：
1. op_types: [‘Linear’, ‘Conv2d’]
这个参数指定了需要进行剪枝的层类型。‘Linear’ 和 ‘Conv2d’ 表示对模型中的全连接层和卷积层（Conv2d）进行剪枝。
2. exclude_op_names: [‘fc3’]
这个参数指定了在剪枝过程中需要排除的层。名为 ‘fc3’ 的层将不会被剪枝，即该层不受剪枝影响。
3. sparse_ratio: 0.8
这个参数指定了剪枝的稀疏度比例。‘sparse_ratio’: 0.8 表示在选定的层中，要将 80% 的参数剪枝掉，只保留 20% 的权重。

2.模型量化

使用 NNI 框架对深度学习模型进行量化处理的实践。代码使用了一种训练后量化的技术，通过减少模型中参数的位数，来减小模型大小并加快推理速度。

# 量化配置，将卷积层和全连接层量化为int8类型
config_list = [{
    'op_names': ['conv1', 'conv2', 'fc1', 'fc2'],  # 需要量化的操作
    'target_names': ['_input_', 'weight', '_output_'],  # 量化输入、权重和输出
    'quant_dtype': 'int8',  # 使用int8类型进行量化
    'quant_scheme': 'affine',  # 量化方法，使用仿射变换
    'granularity': 'default',
},{
    'op_names': ['relu1', 'relu2'],  # 需要量化的激活函数
    'target_names': ['_output_'],  # 量化输出
    'quant_dtype': 'int8',
    'quant_scheme': 'affine',
    'granularity': 'default',
}]

# 创建QATQuantizer对象进行量化感知训练
quantizer = QATQuantizer(model, config_list, evaluator, len(train_loader))

通过量化感知训练减少模型的复杂度，使模型可以被压缩为 int8 类型。这样能够在保证模型性能的同时，显著降低模型大小并加快推理速度，尤其适合在资源受限的环境中使用。

3.NAS

代码使用 NNI 进行神经网络架构搜索（NAS）的实践，展示如何通过定义模型空间、选择搜索策略、训练评估模型并启动实验来寻找最优模型架构。

核心代码：
定义了一个名为 MyModelSpace 的模型空间，通过 LayerChoice 和 MutableXXX 使其包含多种可能的结构，用于搜索不同的架构组合。

class MyModelSpace(ModelSpace):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)
        # LayerChoice用于选择卷积层类型（标准卷积或深度可分离卷积）
        self.conv2 = LayerChoice([
            nn.Conv2d(32, 64, 3, 1),
            DepthwiseSeparableConv(32, 64)
        ], label='conv2')
        # MutableDropout用于从指定的概率中选择一个dropout率
        self.dropout1 = MutableDropout(nni.choice('dropout', [0.25, 0.5, 0.75]))
        self.dropout2 = nn.Dropout(0.5)
        feature = nni.choice('feature', [64, 128, 256])
        self.fc1 = MutableLinear(9216, feature)
        self.fc2 = MutableLinear(feature, 10)

使用随机搜索策略来探索模型空间，以选择不同的层配置。

import nni.nas.strategy as strategy
search_strategy = strategy.Random()  # 使用随机搜索策略

代码通过 NNI 的 NAS 功能自动化地探索不同的神经网络结构组合，减少了人工设计架构的复杂性。结合随机搜索策略，能够有效地在不同架构之间进行搜索，并通过实验来评估每个模型的性能。

4.使用NNI对模型进行剪枝、量化、蒸馏压缩

使用 NNI 框架对 ResNet18 模型进行融合压缩，涉及模型剪枝、量化和知识蒸馏等方法。

使用了 TaylorPruner 和 AGPPruner，分别对模型进行基于泰勒展开法的重要性评估以及渐进剪枝。

# 设置剪枝配置
bn_list = [module_name for module_name, module in model.named_modules() if isinstance(module, torch.nn.BatchNorm2d)]
p_config_list = [{
    'op_types': ['Conv2d'],
    'sparse_ratio': 0.5
}, *[{
    'op_names': [name],
    'target_names': ['_output_'],
    'target_settings': {
        '_output_': {
            'align': {
                'module_name': name.replace('bn', 'conv') if 'bn' in name else name.replace('downsample.1', 'downsample.0'),
                'target_name': 'weight',
                'dims': [0],
            },
            'granularity': 'per_channel'
        }
    }
} for name in bn_list]]

# 使用 TaylorPruner 和 AGPPruner 进行剪枝
sub_pruner = TaylorPruner(model, p_config_list, evaluator, training_steps=100)
scheduled_pruner = AGPPruner(sub_pruner, interval_steps=100, total_times=30)

使用了 QATQuantizer，以量化感知训练（QAT）的方式对模型进行量化。

q_config_list = [{
    'op_types': ['Conv2d'],
    'quant_dtype': 'int8',
    'target_names': ['_input_'],
    'granularity': 'per_channel'
}, {
    'op_types': ['BatchNorm2d'],
    'quant_dtype': 'int8',
    'target_names': ['_output_'],
    'granularity': 'per_channel'
}]

quantizer = QATQuantizer.from_compressor(scheduled_pruner, q_config_list, quant_start_step=100)

使用 DynamicLayerwiseDistiller 对模型进行蒸馏，将教师模型的知识传递给学生模型。

def teacher_predict(batch, teacher_model):
    return teacher_model(batch[0])

d_config_list = [{
    'op_types': ['Conv2d'],
    'lambda': 0.1,
    'apply_method': 'mse',
}]
distiller = DynamicLayerwiseDistiller.from_compressor(quantizer, d_config_list, teacher_model, teacher_predict, 0.1)

通过剪枝和量化得到的稀疏性，可以利用 ModelSpeedup 来加速模型推理。

masks = scheduled_pruner.get_masks()
speedup = ModelSpeedup(model, dummy_input, masks)
model = speedup.speedup_model()

展示了如何使用 NNI 对 ResNet18 模型进行融合压缩，在减少模型参数数量和加速推理的同时，最大限度地保留模型的性能。这种方式能够显著减小模型的存储需求和计算成本，非常适合在资源受限的设备上进行模型部署。
在这里插入图片描述

参考文献

https://www.datawhale.cn/learn/content/68/966
https://github.com/datawhalechina/awesome-compression/tree/main/docs/notebook/ch07
https://nni.readthedocs.io/en/latest/

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/927128.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！