深度学习模型压缩方法和框架

模型压缩的两种方法：

一、设计轻量级的模型（SqueezeNet，MobileNet，ShuffleNet等）：不需要压缩。

二、模型结构/内存优化：剪枝、权值量化等

 

二、模型结构/内存优化

目前的框架主要有：

Deep Compression、XNorNet、Distilling、PocketFlow腾讯、transform_graph（tensorflow）

 

框架简介：

1、 Deep Compression

a)       权值减枝

b)      权值量化（基于权值聚类，连续分布的权值离散化）

c)       霍夫曼编码（减少平均编码长度大小）

论文地址：http://arxiv.org/pdf/1510.00149v5.pdf

项目地址：https://github.com/songhan/Deep-Compression-AlexNet

评价：Deep Compression的主要设计是针对网络存储尺寸的压缩，但在前向时，如果将存储模型读入展开后，并没有带来更大的速度提升。因此Song H.等人专门针对压缩后的模型设计了一套基于FPGA的硬件前向加速框架EIE

 

2、 XNorNet

二值网络

 

3、 Distiler（intel AI Lab）

基于pytorch的模型压缩

其基本思想是通过一个性能好的大网络来教小网络学习，从而使得小网络能够具备跟大网络一样的性能，但蒸馏后的小网络参数规模远远小于原始大网络，从而达到压缩网络的目的。

论文地址：https://arxiv.org/abs/1503.02531
项目地址：https://github.com/NervanaSystems/distiller

 

4、 golw（facebook）（编译深度学习模型）

项目地址：https://github.com/openai/glow

 

5、 PocketFlow（腾讯）

基于tensorflow的模型压缩

说明文档：https://pocketflow.github.io/

项目地址：https://github.com/Tencent/PocketFlow

PocketFlow包含许多模型压缩方法（通道减枝、权值稀疏化、权重量化、蒸馏、超参数优化）

暂不支持对象检测类型的模型压缩：https://github.com/Tencent/PocketFlow/issues/44

 

6、transform_graph

tensorflow自带的压缩工具，可以看下效果。看一些博客说是，可以减少网络大小，但是速度提升很少。

https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/graph_transforms