YOLOv7部署加速比5.89，BERT部署加速比6.37，自动化压缩工具实战30+热门AI模型

众所周知，计算机视觉技术（CV）是企业人工智能应用比重最高的领域之一。为降低企业成本，工程师们一直在探索各类模型压缩技术，来产出“更准、更小、更快”的AI模型部署落地。而在自然语言处理领域（NLP）中，随着模型精度的不断提升，模型的规模也越来越大，例如以BERT、GPT为代表的预训练模型等，这成为企业NLP模型部署落地的拦路虎。

本文为大家介绍一个低成本、高收益的AI模型自动压缩工具（ACT, Auto Compression Toolkit），无需修改训练源代码，通过几十分钟量化训练，保证模型精度的同时，极大的减小模型体积，降低显存占用，提升模型推理速度，助力AI模型的快速落地。

使用ACT中的基于知识蒸馏的量化训练方法量化训练YOLOv7模型，与原始的FP32模型相比，INT8量化后的模型减小75%，在NVIDIA GPU上推理加速5.89倍。使用ACT中的非结构化稀疏和蒸馏技术训练PP-HumanSeg模型，与压缩前相比在ARM CPU上推理加速1.49倍。

表1 自动压缩工具在CV模型上的模型压缩和速度提升

利用ACT中的结构化稀疏和蒸馏量化技术量化训练ERNIE3.0模型，与原始的FP32对比，INT8量化后的模型减小185%，在NVIDIA GPU上推理加速6.37倍。

表2 自动压缩工具在NLP模型上的模型压缩和速度提升

本文将从以下6个方面进一步技术解读，全文大约3900字，预计阅读时长5分钟。

• 研发「模型自动压缩工具」的动机和思考

• 结构化稀疏与量化技术解析

• 量化蒸馏训练实战（以YOLOv7为例）

• 结构化稀疏与量化实战（以BERT为例）

• 推理部署

• 未来工作展望

传送门

https://github.com/PaddlePaddle/PaddleSlim/tree/develop/example/auto_compression

研发模型自动压缩工具的动机和思考

模型剪枝是模型压缩的重要手段，在实际使用中有如下2点困难：

直接使用剪枝损失比较大，无法满足精度要求

结构化剪枝是裁剪掉网络中不重要的神经元。虽然剪枝后会重新训练，但通常比较难恢复预训练模型中的一些信息，导致剪枝后模型的精度下降。如果加上预训练数据进行重新训练，会大大增加剪枝的成本。

模型剪枝需要修改训练代码，操作复杂，技术门槛高

结构化剪枝包括以下3步：

• 根据规则计算神经元的重要性；

• 根据重要性对模型神经元进行剪枝；

• 重新训练剪枝后的模型。

这些步骤需要开发者在原本的训练代码中直接调用剪枝的相关接口，并进行分步操作。通常项目工程相当复杂，修改训练代码技术复杂度高、时间成本高昂。

模型量化是提升模型推理速度的手段之一，实际使用中有如下3点困难：

模型激活值分布不均匀，导致量化误差大

过度训练是导致模型激活值分布不均匀的原因之一。例如在YOLOv6s迭代过程中，为了让模型更好地收敛，通常需要延长模型训练周期。但随之也会带来一些隐患，比如模型在COCO数据集上出现了过拟合，某些层的数值分布极端化，这些状况增加了量化的噪声。我们分析了YOLOv6s每层Conv的量化精度，发现某些层精度下降的特别严重，由此导致了YOLOv6s模型离线量化后在验证集上的精度下降了10%，无法达到业务要求。

任务复杂度高，模型精度受量化误差的影响大

任务复杂度越高，模型量化带来的精度损失越大。目标检测融合了目标定位和目标分类两种任务，整体的复杂度相对较高，因此它的精度受量化的影响更大。普通的离线量化无法改变模型激活值的数值分布，只会让量化scale适应该分布。遇到数值分布不均匀的激活值，离线量化的量化误差会很大。

量化训练需修改训练代码，复杂度大，技术门槛高

相比离线量化（Post Training Quantization），量化训练能减少离线量化精度掉点的程度。量化训练方法在训练过程中，不断地调整激活的数值分布，使激活的分布更适合量化。但是，量化训练使用成本比较高，体现在以下两方面，一方面是人力成本高，为了实现量化训练，需要修改模型的组网和训练代码，插入模拟量化操作。另一方面为时间成本高，训练时需要加载完整训练集做训练。

模型自动压缩工具量化蒸馏训练技术解析

ACT支持对NLP模型的压缩算法自动组合。ACT会对模型结构进行判断，如果是Transformer类型的模型，自动选择『结构化剪枝』和『量化』进行串行压缩。以上2个模块的具体技术解析如下：

结构化剪枝技术包含以下4个步骤：

构造教师模型

加载推理模型，并且在内存中复制一份推理模型作为教师模型。

构造结构化剪枝模型

对原始模型的参数和注意力头进行重要性重排序，把重要参数和注意力头排在参数的前侧，然后对模型进行结构化剪枝，按照比例减掉不重要的参数和注意力头。结构化剪枝之后的模型作为学生模型，进行压缩训练。

添加蒸馏loss

自动分析模型结构，寻找最后一个包含有可训练参数的算子的输出作为蒸馏结点。

蒸馏训练

使用原始模型的输出，来监督结构化剪枝后模型的输出，进行结构化剪枝的训练，完成整体的压缩流程。

图 结构化剪枝+蒸馏实现剪枝操作

量化技术：

量化策略自动选择

ACT包含离线量化和量化训练两种量化策略，在对NLP模型进行量化的时候会对量化策略进行自动选择。先运行少量离线量化，如果精度损失大，则转为使用蒸馏量化训练对模型进行量化压缩。如果精度损失小，则使用离线量化超参搜索进行量化。

图 NLP模型中的量化策略

蒸馏量化训练****（具体步骤包括如下3步，CV任务多使用该技术）****

• 构造教师模型：加载推理模型文件，并将推理模型在内存中复制一份，作为知识蒸馏中的教师模型，原模型则作为学生模型。

• 添加loss：自动地分析模型结构，寻找适合添加蒸馏loss的层，一般是最后一个带可训练参数的层。比如，检测模型head有多个分支的话，会将每个head最后一个conv作为蒸馏节点。

• 蒸馏训练：教师模型通过蒸馏 loss 监督原模型的稀疏训练或量化训练，完成模型压缩的过程。

图 量化蒸馏训练技术动图

ACT还支持更多功能，包括离线量化超参搜索、算法自动组合和硬件感知等，来满足CV和NLP模型的各类压缩需求。功能详情以及ACT在更多场景的应用，请参见自动压缩工具首页介绍。

https://github.com/PaddlePaddle/PaddleSlim/tree/develop/example/auto_compression

模型自动压缩工具量化蒸馏训练技术实战
（以YOLOv7为例，使用量化蒸馏技术）

准备预测模型：导出ONNX模型

git clone https://github.com/WongKinYiu/yolov7.gitcd yolov7python export.py --weights yolov7-tiny.pt --grid

准备训练数据&定义DataLoader

准备少量真实场景图片数据，放入到一个文件夹中，然后定义图片加载的DataLoader

train_dataset = paddle.vision.datasets.ImageFolder(         global_config['image_path'], transform=yolo_image_preprocess)train_loader = paddle.io.DataLoader(            train_dataset,            batch_size=1,            shuffle=True,            drop_last=True,            num_workers=0)

定义配置文件

定义量化训练的配置文件，Distillation表示蒸馏参数配置，Quantization表示量化参数配置，TrainConfig表示训练时的训练轮数、优化器等设置。具体超参的设置可以参考ACT超参设置文档。（链接如下）

https://github.com/PaddlePaddle/PaddleSlim/blob/develop/example/auto_compression/hyperparameter_tutorial.md

Distillation: # 蒸馏参数设置  alpha: 1.0 # 蒸馏loss所占权重loss: soft_labelQuantization:  # 量化参数设置  use_pact: true  # 是否使用PACT量化算法  activation_quantize_type: 'moving_average_abs_max'   # 激活量化方式，选择'moving_average_abs_max'即可  quantize_op_types:   # 需要量化的OP类型，可以是conv2d、depthwise_conv2d、mul、matmul_v2等  - conv2d  - depthwise_conv2dTrainConfig:   # 训练的配置  train_iter: 3000   # 训练的轮数  eval_iter: 1000    # 训练中每次评估精度的间隔轮数  learning_rate: 0.00001  # 训练学习率  optimizer_builder:  # 优化器设置    optimizer:       type: SGD    weight_decay: 4.0e-05

开始运行

两行代码就可以开始ACT量化训练。启动ACT时，需要传入模型文件的路径(model_dir)、模型文件名（model_filename）、参数文件名称(params_filename)、压缩后模型存储路径(save_dir)、压缩配置文件(config)、dataloader和评估精度的eval_callback。

from paddleslim.auto_compression import AutoCompressionac = AutoCompression(        model_dir=global_config["model_dir"],        model_filename=global_config["model_filename"],        params_filename=global_config["params_filename"],        save_dir=FLAGS.save_dir,        config=all_config,        train_dataloader=train_loader,        eval_callback=eval_function)ac.compress()

模型自动压缩工具结构化剪枝和量化实战

（NLP模型）

准备预测模型

Paddle模型可跳过该步骤，直接进行压缩；PyTorch模型，使用以下两种任一方法，完成模型转换后，即可开始模型压缩工作。

• 使用PyTorch2Paddle（在X2Paddle工具箱中）直接将PyTorch动态图模型转为飞桨静态图模型；（以下代码使用该方法）

• 使用ONNX2Paddle将PyTorch动态图模型保存为ONNX格式后再转为飞桨静态图模型。

import torchimport numpy as np# 将PyTorch模型设置为eval模式torch_model.eval()# 构建输入，input_ids = torch.zeros([batch_size, max_length]).long()token_type_ids = torch.zeros([batch_size, max_length]).long()attention_msk = torch.zeros([batch_size, max_length]).long()# 进行转换from x2paddle.convert import pytorch2paddlepytorch2paddle(torch_model,               save_dir='./x2paddle_cola/',               jit_type="trace",                 input_examples=[input_ids, attention_msk, token_type_ids])

准备训练数据&定义DataLoader

本案例默认以GLUE数据进行自动压缩实验，PaddleNLP会自动下载对应数据集。（向下滑动查看所有内容）

定义配置文件

如果自动压缩针对Transformer encoder结构的模型没有指定具体的压缩策略的话，会自动选择结构化剪枝和量化进行压缩。如果想单独设置某一种压缩策略，可以参考的具体的超参设置ACT超参设置文档。

### 训练配置train_config = {    "epochs": 3,               ### 压缩训练epoch数量    "eval_iter": 855,         ### 训练多少轮数进行一次测试    "learning_rate": 1.0e-6,   ### 压缩训练过程中的学习率    "optimizer_builder": {     ### 优化器配置        "optimizer": {"type": "AdamW"},        "weight_decay": 0.01  ### 权重衰减值    },    "origin_metric": 0.6006    ### 压缩前模型精度，用来确认转换过来的模型和实现的dataloader是否正确}

开始运行

两行代码就可以开始ACT量化训练。启动ACT时，需要传入模型文件的路径(model_dir)、模型文件名（model_filename）、参数文件名称(params_filename)、压缩后模型存储路径(save_dir)、压缩配置文件(config)、dataloader和评估精度的eval_callback。

 ### 调用自动压缩接口    ac = AutoCompression(        model_dir='./x2paddle_cola',        model_filename='model.pdmodel',        params_filename='model.pdiparams',        save_dir=save_dir,        config={'TrainConfig': train_config}, #config,        train_dataloader=train_dataloader,        eval_callback=eval_function,        eval_dataloader=eval_dataloader)ac.compress()

以上是精简后的关键代码，若想快速体验，可根据示例文档及代码进行体验。（链接如下）

https://github.com/PaddlePaddle/PaddleSlim/tree/develop/example/auto_compression/pytorch_huggingface

训练完成后会在save_dir路径下产出model.pdmodel和model.pdiparams文件。至此，完成了模型训练压缩工作，推理部署参考下一节内容。

推理部署

基于压缩训练后的模型，开发者可以直接使用FastDeploy推理部署套件完成部署落地。在使用FastDeploy部署时，开发者可以根据需要，使用一行代码切换Paddle Inference、Paddle Lite、TensorRT、OpenVINO、ONNX Runtime和RKNN等不同后端，来实现不同硬件的部署落地。

欢迎大家点star鼓励并前来体验！

https://github.com/PaddlePaddle/PaddleSlim/tree/develop/example/auto_compression

模型自动压缩工具
未来工作展望

ACT自动化压缩工具将支持更多AI模型（Transformer、FastSpeech2等）的自动化压缩。我们将继续升级ACT能力，进一步降低压缩后的精度损失，提升压缩效率，在更多场景下验证结构化剪枝、非结构化稀疏的功能，带来极致的压缩加速体验。ACT自动化压缩工具将支持完善更多的部署方法，包括Paddle Inference、Paddle Lite和ONNX Runtime等FastDeploy中的各种后端推理引擎，进一步助力AI模型的工程落地。

补充说明

表1 测试环境与补充说明：表格mAP模型对应论文中的指标，譬如YOLOv5是在COCO测试集测试，MobileNetV3是在Imagenet数据集上测试

项目地址

• GitHub:

https://github.com/PaddlePaddle/PaddleSlim

• Gitee:

https://gitee.com/paddlepaddle/PaddleSlim