深度学习之轻量化网络

人工智能大力发展的趋势下，移动端和嵌入式设备上部署是迫切需求，由于现如今模型越来越深，越来越大，所以轻量化是有必要的。

轻量化网络要做什么呢？在尽量保持精度的前提下，从体积和速度两方面对网络进行轻量化改造。

轻量化网络是当下及以后都是一个迫切的需求，不论是自动驾驶、机器人视觉、无人机、人脸识别还是目标检测、在面试中也是高频问题，其发展也有一定的历程，包括经典的SqueezeNet、ShuffleNet、ModileNet、EfficientNet、MicroNet。

那轻量化网络主要要干什么呢？轻量化主要解决模型精度与算力、存储空间大的矛盾。其主要从几个方面做：（1）直接设计轻量化网络；该网络能有更少的参数量和计算量、拥有好模型相当的精度。（2）通过知识蒸馏、剪枝、量化、低秩分解等技术进行模型压缩。（3）通过硬件加速。

① 奇异值分解（SVD）:一般我们用特征值、特征向量就可以对一个方阵进行特征分解，但是如果矩阵的行、列数各不相同就可以用奇异值矩阵进行分解，其基本的原理是，分别左右乘矩阵的转置矩阵变成方阵，在求特征值。优点：有一些SVD算法可以不用先求出来协方差矩阵，也可以求出左右奇异矩阵；左奇异矩阵可以用于行数的压缩；右奇异矩阵可以用于列数（特征维度）的压缩，也就是常说的PCA降维，可以简单理解为将不重要的（对整体结果影响不大）权重去掉。

③ 深度压缩主要结合了剪枝，量化和无损压缩霍夫曼编码的方法，将卷积神经网络的权重大大的压缩了，而且用于FPGA的部署。剪枝，量化降低了权重数量，提高了计算速率；无损压缩霍夫曼编码降低存储空间，但由于他还需要解码，所以总的来说，深度压缩并不会提高计算率，越深的网络压缩比例越大

1、剪枝：通过一定策略来过滤掉一些不重要的神经网络连接。然后再重新训练进行参数微调，不断重复这个过程直到不能够再进行剪枝为止，在imageNet数据集上，剪枝方法可以将AlexNet的参数数量减少9倍而没有精度上的损失。VGG-16同样有类似的现象，参数总量可以减少13倍左右而没有精度损失。

2、量化：权值的共享和聚类。聚类采用k-means的方法，可以将原来的32bit降到log2（k）

在同一层之间权重共享，不同层的权重分别进行聚类。原因在于：同一层的权重之间以“求和”的方数进行连接，不同层的权重用“相乘”的方式进行连接，不同层之间还有激活函数、归一化函数等等。

④ 硬件加速器：通过硬件来加速网络的运算，现在研究比较热门的忆阻器可以作为选择，还有就是随机计算。

在以后我回专门做一个专栏来总结和讲解一些经典的轻量化网络哦，喜欢的可以加关注。