CN112418405B

CN112418405B - 模型压缩方法和装置

Info

Publication number: CN112418405B
Application number: CN202011412659.XA
Authority: CN
Inventors: 高志鹏; 姚灿荣; 黄仁裕; 赵建强; 尤俊生; 杜新胜; 江冠南
Original assignee: Xiamen Meiya Pico Information Co Ltd
Current assignee: Xiamen Meiya Pico Information Co Ltd
Priority date: 2020-12-03
Filing date: 2020-12-03
Publication date: 2022-08-19
Anticipated expiration: 2040-12-03
Also published as: CN112418405A

Abstract

本申请实施例公开了模型压缩方法和装置。该方法的一具体实施方式包括：对于预设的样本图像集合中的每个样本图像，将该样本图像输入预设的基础图像识别模型，得到至少一个目标层分别对应的通道集合；基于通道集合，确定每个目标层分别对应的初始通道重要度向量；基于初始通道重要度向量，确定每个目标层分别对应的通道重要度向量；对于至少一个目标层中的每个目标层，基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道并删除；将删除非重要通道后的模型作为子模型并对子模型进行训练。该实施方式实现了在不影响图像识别精度的情况下，对模型的体积进行有效的压缩，从而有助于节约模型占用的存储空间，并提高模型处理数据的效率。

Description

模型压缩方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及模型压缩方法和装置。

背景技术

随着人工智能技术的不断发展，基于机器学习的图像识别模型的应用越来越广泛。例如，同源图像检索是AI有害信息检测领域非常重要的分支算法，一般用于在互联网上溯源各类经过数码变种的图像，往往面对数以百亿级的数据容量。为保持较高的检索精度，模型必须保持巨大的参数量和运算量，资源耗费极大。

目前尚未有专门针对同源图像检索类模型的精简方法。但面向更广泛的神经网络压缩领域，分别存在基于权重剪枝的方法，参数量化方法，基于KL散度的知识精炼方法等。基于权重剪枝的方法实现困难，在广泛硬件环境下效果欠佳。基于参数量化的方法有时会严重损害精度，不能应用在同源图像检索类模型，且精简程度有限。基于KL散度的知识精炼方法不适合应用在同源图像检索类模型这种有上千万分类标签的神经网络上。

发明内容

本申请实施例的目的在于提出了一种改进的模型压缩方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请实施例提供了一种模型压缩方法，该方法包括：对于预设的样本图像集合中的每个样本图像，将该样本图像输入预设的基础图像识别模型，得到基础图像识别模型中的至少一个目标层分别对应的通道集合；基于通道集合，确定每个目标层分别对应的初始通道重要度向量，其中，初始通道重要度向量中的每个元素用于表征对应的通道的重要度；基于样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量；对于至少一个目标层中的每个目标层，基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道并删除；将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练。

在一些实施例中，基于样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量，包括：对各个初始通道重要度向量中的，表征同一通道的元素取平均，得到每个目标层分别对应的通道重要度向量。

在一些实施例中，基于通道集合，确定每个目标层分别对应的初始通道重要度向量，包括：对于各个目标层中的每个目标层，将该目标层对应的通道集合中的每个通道进行全局池化，得到初始向量，其中，初始向量中的元素与该目标层对应的通道集合中的通道一一对应；对所得到的初始向量输入预设的线性层，并将线性层输出的数据进行归一化，得到初始通道重要度向量。

在一些实施例中，基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道，包括：基于该目标层对应的通道重要度向量中的元素的大小，确定目标数量个通道作为非重要通道。

在一些实施例中，将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练，包括：基于迁移学习的方法，将基础图像识别模型作为教师网络，将子模型作为学生网络，利用样本图像集合对子模型进行训练。

在一些实施例中，基础图像识别模型基于残差网络训练得到，基础图像识别模型中的残差块包括的各个卷积层中，排在首位的卷积层之外的其他卷积层为目标层。

在一些实施例中，基础图像识别模型还包括至少一个线性隐层，线性隐层位于目标层之后，且线性隐层包括通道集合；以及在将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练之后，方法还包括：确定至少一个线性隐层中的每个线性隐层的稀疏程度；将稀疏程度符合预设条件的线性隐层确定为目标线性隐层；基于目标线性隐层之前的目标层对应的通道重要度向量，确定目标线性隐层的通道重要度向量，其中，目标线性隐层的通道重要度向量中的每个元素用于表征对应的通道的重要度；对于各个目标线性隐层中的每个目标线性隐层，基于该目标线性隐层的重要度向量，从该目标线性隐层中确定非重要通道并删除。

第二方面，本申请实施例提供了一种模型压缩装置，该装置包括：识别模块，用于对于预设的样本图像集合中的每个样本图像，将该样本图像输入预设的基础图像识别模型，得到基础图像识别模型中的至少一个目标层分别对应的通道集合；基于通道集合，确定每个目标层分别对应的初始通道重要度向量，其中，初始通道重要度向量中的每个元素用于表征对应的通道的重要度；第一确定模块，用于基于样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量；第二确定模块，用于对于至少一个目标层中的每个目标层，基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道并删除；第一删除模块，用于将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的模型压缩方法和装置，通过基于基础图像识别模型包括的至少一个目标层生成的通道集合，确定每个目标层分别对应的通道重要度向量，然后基于通道重要度向量，从各个目标层中确定非重要通道并将非重要通道删除，最后将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练，从而得到裁剪后的图像识别模型，实现了在不影响图像识别精度的情况下，对模型的体积进行有效的压缩，从而有助于节约模型占用的存储空间，并提高模型处理数据的效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的模型压缩方法的一个实施例的流程图；

图3是根据本申请的模型压缩方法的又一个实施例的流程图；

图4是根据本申请的模型压缩方法的又一个实施例的流程图；

图5是根据本申请的模型压缩装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的模型压缩方法的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101，网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用，例如搜索类应用、网页浏览器应用、购物类应用、即时通信工具等。

终端设备101可以是各种电子设备，包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。

服务器103可以是提供各种服务的服务器，例如对终端设备101上使用的图像识别模型提供支持的模型训练服务器。模型训练服务器可以对获得的基础图像识别模型、样本图像集合等进行处理，并得到处理结果(例如压缩后的图像识别模型)。

需要说明的是，本申请实施例所提供的模型压缩方法可以由终端设备101或服务器103执行，相应地，模型压缩装置可以设置于终端设备101或服务器103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。需要说明的是，在样本图像集合等数据不需从远程获取的情况下，上述系统架构可以不包括网络，只包括服务器或终端设备。

继续参考图2，其示出了根据本申请的应模型压缩方法的一个实施例的流程200。该方法包括以下步骤：

步骤201，对于预设的样本图像集合中的每个样本图像，将该样本图像输入预设的基础图像识别模型，得到基础图像识别模型中的至少一个目标层分别对应的通道集合；基于通道集合，确定每个目标层分别对应的初始通道重要度向量。

在本实施例中，对于预设的样本图像集合中的每个样本图像，模型压缩方法的执行主体(例如图1所示的终端设备或服务器)可以对该样本图像执行如下步骤：

首先，将该样本图像输入预设的基础图像识别模型，得到基础图像识别模型中的至少一个目标层分别对应的通道集合。

其中，基础图像识别模型可以是各种用于对图像中的特定对象(例如人脸、动物、车辆等)进行识别的模型。作为示例，基础图像识别模型可以是用于同源图像检索的模型，模型可以提取图像的特征，将特征与图像库中的图像进行匹配，以确定两个图像中的对象是否相似。

基础图像识别模型可以是由多种层组成的神经网络模型，上述多种层包括但不限于以下至少一种：卷积层、池化层、全连接层等。目标层可以是包括较大量的数据，可以被压缩的层。例如，目标层可以是位于模型的特定位置的卷积层。

可选的，基础图像识别模型基于残差网络训练得到，基础图像识别模型中的残差块包括的各个卷积层中，排在首位的卷积层之外的其他卷积层为目标层。例如，模型的第一部分包括3个残差块，每个残差块包括的标准卷积核数量为64，第二部分25个残差块，标准卷积核数量128，第三个部分38个残差块，标准卷积核数量256，第四部分12个残差块，标准卷积核数量512。残差块满足BN1->RELU1->Conv1->BN2->RELU2->Conv2的形式。由于卷积层包括数量较多的通道，这些通道中有些是非重要的通道，因此，可以将这些通道裁减掉。

本实现方式通过对残差网络进行裁剪，可以在残差网络易优化、梯度不易消失的特点上，进一步简化残差网络的结构，在保证图像识别精度的基础上，减小模型体积。

然后，基于通道集合，确定每个目标层分别对应的初始通道重要度向量。

其中，初始通道重要度向量中的每个元素用于表征对应的通道的重要度。通常，元素的值越大，其对应的通道的重要程度越高。作为示例，上述执行主体可以基于预设的函数，将每个通道的数据转换为一个实数，从而得到各个通道分别对应的数值作为初始通道重要度向量。

通过对样本图像集合中的每个样本图像执行本步骤，可以得到每个样本图像对应的多个初始通道重要度向量。

步骤202，基于样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量。

在本实施例中，上述执行主体可以基于样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量。

在本实施例的一些可选的实现方式中，上述执行主体可以对各个初始通道重要度向量中的，表征同一通道的元素取平均，得到每个目标层分别对应的通道重要度向量。具体地，假设样本图像集合包括n个样本图像，对于某个目标卷积层，可以得到n个初始通道重要度向量，这n个向量中，将位于同一下标的n个元素取平均，最终将得到的各个平均值组合为通道重要度向量。通过计算平均值确定通道重要度向量，可以使保留的通道能够确定尽可能多的图像的特征，提高模型的泛化能力。

需要说明的是，除上述通过计算平均值确定通道重要度向量的方法外，电子设备还可以通过其他方式确定通道重要度向量，例如将位于同一下标的n个元素取中位数、取最大值等。

步骤203，对于至少一个目标层中的每个目标层，基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道并删除。

在本实施例中，对于至少一个目标层中的每个目标层，上述执行主体可以基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道并删除非重要通道。从而实现了对基础图像识别网络的压缩。作为示例，可以将通道重要度向量中的小于预设阈值的元素对应的通道确定为非重要通道并删除。

在本实施例的一些可选的实现方式中，上述执行主体可以基于该目标层对应的通道重要度向量中的元素的大小，确定目标数量个通道作为非重要通道。其中，目标数量可以是预设的数量，也可以是根据预设的比例确定出的数量。例如，将每个通道重要度向量中，数值较小的50％的通道作为非重要通道。

本实现方式通过确定每个目标层对应的目标数量，可以有针对性地对每个目标层包括的通道进行裁剪，灵活地调整各个目标层包括的通道的数量，有助于提高对模型压缩的灵活性和针对性。

步骤204，将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练。

在本实施例中，上述执行主体可以将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练。最终训练后的子模型可以作为压缩后的图像识别模型。

作为示例，上述执行主体可以将上述样本图像集合中的样本图像作为子模型的输入，将输入的样本图像对应的标注信息作为期望输出，利用机器学习方法，对子模型进行训练。具体地，模型的训练过程是一个最优解求解过程，其中，最优解通过数据标注的方式给出，模型向最优解拟合的过程主要是通过误差最小化的办法迭代进行。对于一张输入的图像，设定一个损失函数，该函数可以计算网络的输出与期望之间的差值，并通过反向传播算法将该差值传导到神经网络中的每一个神经元之间的连接上，传导到每一个连接上的差值信号代表该连接对于整体误差的贡献率。然后利用梯度下降算法对原有权重进行更新修改即可。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤对子模型进行训练：

基于迁移学习的方法，将基础图像识别模型作为教师网络，将子模型作为学生网络，利用样本图像集合对子模型进行训练。

其中，教师–学生网络的方法，属于迁移学习的一种。迁移学习也就是将一个模型的性能迁移到另一个模型上，而对于教师–学生网络，教师网络往往是一个更加复杂的网络，具有非常好的性能和泛化能力，可以用这个网络来作为一个基准来指导另外一个更加简单的学生网络来学习，使得更加简单、参数运算量更少的学生模型也能够具有和教师网络相近的性能。

具体地，由于基础图像识别网络和子模型层数相同，且残差块结合处通道相同，因此可以在两个网络的每一个残差块结尾处计算一个loss值：设F₁为维度C*H*W的张量，构造一个函数，将C个通道的F₁用1个通道的F₂来表达，可以使用如下公式：

其中HMul为逐点相乘，S为缩放尺度，C为通道数，然后我们设计Floss如下：

其中L为模型层标号索引容器，s为学生网络下标，t为教师网络下标。最后直接在特征潜码处采用余弦相似度逼近。

本实现方式通过迁移学习的方法，将基础图像识别网络作为子模型的优化目标，可以使子模型的性能接近基础图像识别网络，在保证图像识别精度的基础上，使模型的体积更小，从而提高图像识别的效率。

本申请的上述实施例提供的方法，通过基于基础图像识别模型包括的至少一个目标层生成的通道集合，确定每个目标层分别对应的通道重要度向量，然后基于通道重要度向量，从各个目标层中确定非重要通道并将非重要通道删除，最后将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练，从而得到裁剪后的图像识别模型，实现了在不影响图像识别精度的情况下，对模型的体积进行有效的压缩，从而有助于节约模型占用的存储空间，并提高模型处理数据的效率。

进一步参考图3，其示出了根据本申请的模型压缩方法的又一个实施例的流程300。在图2对应实施例的基础上，步骤201中，对于一个样本图像，上述执行主体可以按照如下步骤确定每个目标层分别对应的初始通道重要度向量：

步骤2011，对于各个目标层中的每个目标层，将该目标层对应的通道集合中的每个通道进行全局池化，得到初始向量。

在本实施例中，对于各个目标层中的每个目标层，上述执行主体可以将该目标层对应的通道集合中的每个通道进行全局池化，得到初始向量。其中，初始向量中的元素与该目标层对应的通道集合中的通道一一对应。

具体地，针对某个通道，对该通道进行全局池化，可以得到一个实数值，将一个目标层包括的各个通道分别对应的实数值组合，可以得到一个向量作为初始向量。

步骤2012，对所得到的初始向量输入预设的线性层，并将线性层输出的数据进行归一化，得到初始通道重要度向量。

在本实施例中，上述执行主体可以对所得到的初始向量输入预设的线性层，并将线性层输出的数据进行归一化，得到初始通道重要度向量。

其中，线性层用于对向量进行线性变换，即调整量的方向与大小，将特征映射到另一个空间处理，一般可以体现降维和信息整合的作用。上述执行主体可以进一步利用激活函数(例如Sigmoid函数)等方式将线性层输出的向量中的数据压缩到0-1之间，从而得到初始通道重要度向量。通常，初始通道重要度向量中的元素可以表示某种特定的概率，例如该元素对应的通道表示某种特征的概率，概率值越大，说明通道中的数据越重要，反之，概率值越小，说明越不重要，可以将对应的通道裁减掉。

上述图3对应的实施例提供的方法，通过对各个通道进行全局池化、线性变换、归一化的处理，可以准确地确定各个通道的重要程度，从而使模型压缩更加准确，保证压缩后的模型的性能。

进一步参考图4，其示出了根据本申请的模型压缩方法的又一个实施例的流程400。在图2对应实施例的基础上，基础图像识别模型还包括至少一个线性隐层，线性隐层位于目标层之后，且线性隐层包括通道集合。基于此，在步骤204之后，上述模型压缩方法还可以包括如下步骤：

步骤205，确定至少一个线性隐层中的每个线性隐层的稀疏程度。

在本实施例中，上述执行主体可以确定至少一个线性隐层中的每个线性隐层的稀疏程度。作为示例，线性隐层可以为batchnorm层，在上述步骤203之后得到的子模型中，可以为每一个batchnorm层的gamma参数添加一个L1 norm正则化约束。

通常，线性隐层用以将逐级抽象的特征图表达为特征潜码向量，该层的参数量往往占到整个模型参数量的40％以上，故而需要对线性隐层进行通道裁剪。

线性隐层的稀疏程度可以由gamma参数确定，例如，若gamma参数为0或接近0的通道较多(例如大于预设数量)，则确定线性隐层较稀疏，可以对其进行裁剪。

步骤206，将稀疏程度符合预设条件的线性隐层确定为目标线性隐层。

在本实施例中，上述执行主体可以将稀疏程度符合预设条件的线性隐层确定为目标线性隐层。其中，符合预设条件的线性隐层为较稀疏的线性隐层。例如，将接近0的gamma参数(例如小于等于预设值)对应的通道作为可裁剪通道，将包含可裁剪通道的数量大于预设数量的线性隐层确定为目标线性隐层。

步骤207，基于目标线性隐层之前的目标层对应的通道重要度向量，确定目标线性隐层的通道重要度向量。

在本实施例中，上述执行主体可以基于目标线性隐层之前的目标层对应的通道重要度向量，确定目标线性隐层的通道重要度向量。其中，目标线性隐层的通道重要度向量中的每个元素用于表征对应的通道的重要度。

具体地，可以分析出线性隐层对应的裁剪后前一层目标层(卷积层)的特征图状态，根据保留的前一层特征图完成隐层的权重裁剪。设线性隐层的通道重要度向量为idxtemp，假设前一层卷积层特征图谱通道数为512，特征图高宽乘积为p，上一层卷积层的通道重要度向量为maskcidx，那么最终idxtemp的元素由以下伪代码得出：

Idxtemp可作为线性隐层通道裁剪的掩膜容器，并执行裁剪。

步骤208，对于各个目标线性隐层中的每个目标线性隐层，基于该目标线性隐层的重要度向量，从该目标线性隐层中确定非重要通道并删除。

在本实施例中，对于各个目标线性隐层中的每个目标线性隐层，上述执行主体可以基于该目标线性隐层的重要度向量，从该目标线性隐层中确定非重要通道并删除。其中，删除非重要通道的方法与上述步骤203中描述的方法基本一致，这里不再赘述。

可选的，在对目标线性隐层进行裁剪后，可以进一步对裁剪后的模型进行恢复性训练，训练后的模型作为最终的图像识别模型。

上述图4对应的实施例提供的方法，通过对线性隐层包括的通道进行进一步裁剪，可以使模型的体积进一步减小，在保证模型的识别精度的前提下，使模型更精简，从而有助于提高图像识别的效率。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种模型压缩装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的模型压缩装置500包括：识别模块501，用于对于预设的样本图像集合中的每个样本图像，将该样本图像输入预设的基础图像识别模型，得到基础图像识别模型中的至少一个目标层分别对应的通道集合；基于通道集合，确定每个目标层分别对应的初始通道重要度向量，其中，初始通道重要度向量中的每个元素用于表征对应的通道的重要度；第一确定模块502，用于基于样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量；第二确定模块503，用于对于至少一个目标层中的每个目标层，基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道并删除；第一删除模块504，用于将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练。

在本实施例中，对于预设的样本图像集合中的每个样本图像，识别模块501可以对该样本图像执行如下步骤：

其中，初始通道重要度向量中的每个元素用于表征对应的通道的重要度。通常，元素的值越大，其对应的通道的重要程度越高。作为示例，上述识别模块501可以基于预设的函数，将每个通道的数据转换为一个实数，从而得到各个通道分别对应的数值作为初始通道重要度向量。

在本实施例中，第一确定模块502可以基于样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量。

在本实施例中，对于至少一个目标层中的每个目标层，第二确定模块503可以基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道并删除非重要通道。从而实现了对基础图像识别网络的压缩。作为示例，可以将通道重要度向量中的小于预设阈值的元素对应的通道确定为非重要通道并删除。

在本实施例中，第一删除模块504可以将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练。最终训练后的子模型可以作为压缩后的图像识别模型。

作为示例，第一删除模块504可以将上述样本图像集合中的样本图像作为子模型的输入，将输入的样本图像对应的标注信息作为期望输出，利用机器学习方法，对子模型进行训练。具体地，模型的训练过程是一个最优解求解过程，其中，最优解通过数据标注的方式给出，模型向最优解拟合的过程主要是通过误差最小化的办法迭代进行。对于一张输入的图像，设定一个损失函数，该函数可以计算网络的输出与期望之间的差值，并通过反向传播算法将该差值传导到神经网络中的每一个神经元之间的连接上，传导到每一个连接上的差值信号代表该连接对于整体误差的贡献率。然后利用梯度下降算法对原有权重进行更新修改即可。

在本实施例的一些可选的实现方式中，第一确定模块502可以进一步用于：对各个初始通道重要度向量中的，表征同一通道的元素取平均，得到每个目标层分别对应的通道重要度向量。

在本实施例的一些可选的实现方式中，识别模块501可以包括：池化单元(图中未示出)，用于对于各个目标层中的每个目标层，将该目标层对应的通道集合中的每个通道进行全局池化，得到初始向量，其中，初始向量中的元素与该目标层对应的通道集合中的通道一一对应；转换单元(图中未示出)，用于对所得到的初始向量输入预设的线性层，并将线性层输出的数据进行归一化，得到初始通道重要度向量。

在本实施例的一些可选的实现方式中，第二确定模块503可以进一步用于：基于该目标层对应的通道重要度向量中的元素的大小，确定目标数量个通道作为非重要通道。

在本实施例的一些可选的实现方式中，第一删除模块504可以进一步用于：基于迁移学习的方法，将基础图像识别模型作为教师网络，将子模型作为学生网络，利用样本图像集合对子模型进行训练。

在本实施例的一些可选的实现方式中，基础图像识别模型基于残差网络训练得到，基础图像识别模型中的残差块包括的各个卷积层中，排在首位的卷积层之外的其他卷积层为目标层。

在本实施例的一些可选的实现方式中，基础图像识别模型还包括至少一个线性隐层，线性隐层位于目标层之后，且线性隐层包括通道集合；以及该装置还包括：第三确定模块(图中未示出)，用于确定至少一个线性隐层中的每个线性隐层的稀疏程度；第四确定模块(图中未示出)，用于将稀疏程度符合预设条件的线性隐层确定为目标线性隐层；第五确定模块(图中未示出)，用于基于目标线性隐层之前的目标层对应的通道重要度向量，确定目标线性隐层的通道重要度向量，其中，目标线性隐层的通道重要度向量中的每个元素用于表征对应的通道的重要度；第二删除模块(图中未示出)，用于对于各个目标线性隐层中的每个目标线性隐层，基于该目标线性隐层的重要度向量，从该目标线性隐层中确定非重要通道并删除。

本申请的上述实施例提供的装置，通过基于基础图像识别模型包括的至少一个目标层生成的通道集合，确定每个目标层分别对应的通道重要度向量，然后基于通道重要度向量，从各个目标层中确定非重要通道并将非重要通道删除，最后将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练，从而得到裁剪后的图像识别模型，实现了在不影响图像识别精度的情况下，对模型的体积进行有效的压缩，从而有助于节约模型占用的存储空间，并提高模型处理数据的效率。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括识别模块、第一确定模块、第二确定模块和第一删除模块。其中，这些模块的名称在某种情况下并不构成对该单元本身的限定，例如，第一确定模块还可以被描述为“用于基于样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量的模块”。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对于预设的样本图像集合中的每个样本图像，将该样本图像输入预设的基础图像识别模型，得到基础图像识别模型中的至少一个目标层分别对应的通道集合；基于通道集合，确定每个目标层分别对应的初始通道重要度向量，其中，初始通道重要度向量中的每个元素用于表征对应的通道的重要度；基于样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量；对于至少一个目标层中的每个目标层，基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道并删除；将删除非重要通道后的基础图像识别模型作为子模型并对子模型进行训练。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims

1.一种模型压缩方法，其特征在于，所述方法包括：

对于预设的样本图像集合中的每个样本图像，将该样本图像输入预设的基础图像识别模型，得到所述基础图像识别模型中的至少一个目标层分别对应的通道集合；基于通道集合，确定每个目标层分别对应的初始通道重要度向量，其中，所述初始通道重要度向量中的每个元素用于表征对应的通道的重要度；

基于所述样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量；

对于所述至少一个目标层中的每个目标层，基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道并删除；

将删除非重要通道后的基础图像识别模型作为子模型并对所述子模型进行训练，包括：基于迁移学习的方法，将所述基础图像识别模型作为教师网络，将所述子模型作为学生网络，利用所述样本图像集合对所述子模型进行训练；

所述基础图像识别模型还包括至少一个线性隐层，线性隐层位于目标层之后，且线性隐层包括通道集合；以及

在所述将删除非重要通道后的基础图像识别模型作为子模型并对所述子模型进行训练之后，所述方法还包括：

确定所述至少一个线性隐层中的每个线性隐层的稀疏程度；

将稀疏程度符合预设条件的线性隐层确定为目标线性隐层；

基于所述目标线性隐层之前的目标层对应的通道重要度向量，确定所述目标线性隐层的通道重要度向量，其中，所述目标线性隐层的通道重要度向量中的每个元素用于表征对应的通道的重要度；

对于各个目标线性隐层中的每个目标线性隐层，基于该目标线性隐层的重要度向量，从该目标线性隐层中确定非重要通道并删除。

2.根据权利要求1所述的方法，其特征在于，所述基于所述样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量，包括：

对各个初始通道重要度向量中的，表征同一通道的元素取平均，得到每个目标层分别对应的通道重要度向量。

3.根据权利要求1所述的方法，其特征在于，所述基于通道集合，确定每个目标层分别对应的初始通道重要度向量，包括：

对于各个目标层中的每个目标层，将该目标层对应的通道集合中的每个通道进行全局池化，得到初始向量，其中，所述初始向量中的元素与该目标层对应的通道集合中的通道一一对应；

对所得到的初始向量输入预设的线性层，并将所述线性层输出的数据进行归一化，得到初始通道重要度向量。

4.根据权利要求1所述的方法，其特征在于，所述基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道，包括：

基于该目标层对应的通道重要度向量中的元素的大小，确定目标数量个通道作为非重要通道。

5.根据权利要求1所述的方法，其特征在于，所述基础图像识别模型基于残差网络训练得到，所述基础图像识别模型中的残差块包括的各个卷积层中，排在首位的卷积层之外的其他卷积层为目标层。

6.一种模型压缩装置，其特征在于，所述装置包括：

识别模块，用于对于预设的样本图像集合中的每个样本图像，将该样本图像输入预设的基础图像识别模型，得到所述基础图像识别模型中的至少一个目标层分别对应的通道集合；基于通道集合，确定每个目标层分别对应的初始通道重要度向量，其中，所述初始通道重要度向量中的每个元素用于表征对应的通道的重要度；

第一确定模块，用于基于所述样本图像集合中的每个样本图像分别对应的初始通道重要度向量，确定每个目标层分别对应的通道重要度向量；

第二确定模块，用于对于所述至少一个目标层中的每个目标层，基于该目标层对应的通道重要度向量，从该目标层中确定非重要通道并删除；

第一删除模块，用于将删除非重要通道后的基础图像识别模型作为子模型并对所述子模型进行训练，包括：基于迁移学习的方法，将所述基础图像识别模型作为教师网络，将所述子模型作为学生网络，利用所述样本图像集合对所述子模型进行训练；

在所述将删除非重要通道后的基础图像识别模型作为子模型并对所述子模型进行训练之后，还包括：

确定所述至少一个线性隐层中的每个线性隐层的稀疏程度；

将稀疏程度符合预设条件的线性隐层确定为目标线性隐层；

7.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。