CN112561061A - 神经网络稀疏化方法、装置、设备、存储介质及程序产品 - Google Patents
神经网络稀疏化方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN112561061A CN112561061A CN202011494647.6A CN202011494647A CN112561061A CN 112561061 A CN112561061 A CN 112561061A CN 202011494647 A CN202011494647 A CN 202011494647A CN 112561061 A CN112561061 A CN 112561061A
- Authority
- CN
- China
- Prior art keywords
- weight
- association
- neural network
- association weight
- sparse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 43
- 230000004044 response Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了神经网络稀疏化方法、装置、电子设备、计算机可读存储介质及计算机程序产品，涉及深度学习、计算机视觉、自然语言处理等人工智能技术领域。该方法的一具体实施方式包括：将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组；其中，各关联权重组中均存储有预设数量的关联权重；确定各关联权重组中各关联权重在预设正则化方式下的排序结果；根据预设的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重；在前向传播过程中按照预设的移除概率随机移除不重要权重，得到稀疏化神经网络。应用该实施方式可视训练出的稀疏化神经网络模型将拥有与复杂神经网络精度更接近的输出。
Description
技术领域
本申请涉及数据技术领域，具体涉及深度学习、模型稀疏化、计算机视觉、自然语言处理等人工智能技术领域，尤其涉及神经网络稀疏化方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
由于神经网络的特点，其对数据的拟合能力很大程度取决于网络的复杂程度，一个更加复杂的神经网络几乎总是能在相应的业务场景下获得更好的表现。然而随着神经网络技术的大规模应用，其相关算法的部署场景呈现出多样化，大规模化的特点。许多网络虽然在各自任务上有着非常优异的表现，然而其复杂的网络结构所带来的高推理延迟，高能耗和存储模型参数所需的庞大存储空间都限制了这些网络或模型在更多领域的应用。
面对神经网络技术愈加复杂应用场景，需要神经网络压缩技术来在神经网络表现与部署硬件有限的资源之间达到平衡，稀疏化就是一种对网络结构中不重要的子网络进行剪枝以降低其复杂程度的方法。
发明内容
本申请实施例提出了一种神经网络稀疏化方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面，本申请实施例提出了一种神经网络稀疏化方法，包括：将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组；其中，各关联权重组中均存储有预设数量的关联权重；确定各关联权重组中各关联权重在预设正则化方式下的排序结果；根据预设的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重；在前向传播过程中按照预设的移除概率随机移除不重要权重，得到稀疏化神经网络。
第二方面，本申请实施例提出了一种神经网络稀疏化装置，包括：关联权重分组单元，被配置成将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组；其中，各关联权重组中均存储有预设数量的关联权重；正则化排序单元，被配置成确定各关联权重组中各关联权重在预设正则化方式下的排序结果；重要/不重要划分单元，被配置成根据预设的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重；前向传播随机移除单元，被配置成在前向传播过程中按照预设的移除概率随机移除不重要权重，得到稀疏化神经网络。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的神经网络稀疏化方法。
第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的神经网络稀疏化方法。
第五方面，本申请实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的神经网络稀疏化方法。
本申请实施例提供的神经网络稀疏化方法、装置、电子设备、计算机可读存储介质及计算机程序产品，首先，将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组，各关联权重组中均存储有预设数量的关联权重；然后，确定各关联权重组中各关联权重在预设正则化方式下的排序结果；接着，根据预设的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重；最后，在前向传播过程中按照预设的移除概率随机移除不重要权重，得到稀疏化神经网络。
与将网络层的所有权重放在一起共同划分属于重要子网络还是非重要子网络的传统稀疏化方式不同，本申请是预先将各权重按关联性划分为多个关联权重组，后续将以关联权重组为单位重要子网络或非重要子网络的划分以及稀疏化训练，针对组内所进行的此种稀疏化训练能够基于关联性在更小、更准确的范围内进行剪枝，即为组内稀疏化结构提供一种适配的组内稀疏化方法，使得按此方式训练出的稀疏化神经网络模型将拥有与复杂神经网络精度更接近的输出。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
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2为本申请实施例提供的一种神经网络稀疏化方法的流程图；
图3为本申请实施例提供的另一种神经网络稀疏化方法的流程图；
图4a、图4b、图4c均为与图3对应的一种实际例子示意图；
图5为本申请实施例提供的又一种神经网络稀疏化方法的流程图；
图6为与图5提供的方法对应的稀疏化训练过程中稀疏比例和移除概率的调整变化折线图；
图7为本申请实施例提供的一种神经网络稀疏化装置的结构框图；
图8为本申请实施例提供的一种适用于执行神经网络稀疏化方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。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。
图1示出了可以应用本申请的神经网络稀疏化方法、装置、电子设备、计算机可读存储介质及计算机程序产品的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
具体的，终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是包括智能手机、平板电脑、膝上型便携计算机和台式计算机在内的各种电子设备；当终端设备101、102、103为软件时，可以是安装在上述所列举的电子设备中的单/多个软件/功能模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，也可以实现成单/多个软件/功能模块，在此不做具体限定。
其中，服务器105用于将用于解决实际需求或用于提供对外服务所需要使用到的复杂神经网络进行稀疏化，得到更加轻量级的稀疏化神经网络，也就是复杂神经网络的稀疏化是在服务器105上完成的。服务器105在得到稀疏化神经网络之后，还可以将其置入相对应的轻量化计算设备中，例如终端设备101、102，以便后续可直接通过终端设备101、102完成同样的处理任务，进而显著拓展大量轻量化计算设备的用途，使其发挥更大的作用。
上述目的可通过安装在终端设备101、102、103和服务器105上的应用来实现，例如神经网络稀疏化应用(可进一步分为客户端的部分和服务器段的部分)，另外，为尽可能保障神经网络稀疏化操作的持续稳定运行，终端设备101、102、103和服务器105上还可以安装其他应用，例如故障诊断类应用、用于与管理或运维人员进行通信的通信类应用等等。
以提供复杂神经网络稀疏化以及稀疏化神经网络置入轻量化计算设备服务的服务器端的神经网络稀疏化应用为例，安装有该应用的服务器105可在运行该应用时实现如下效果：首先，将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组，各关联权重组中均存储有预设数量的关联权重；然后，确定各关联权重组中各关联权重在预设正则化方式下的排序结果；接着，根据预设的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重；最后，在前向传播过程中按照预设的移除概率随机移除不重要权重，得到稀疏化神经网络。
进一步的，服务器105还可以将得到的稀疏化神经网络分发给终端设备101、102，并将后续接收到的来自终端设备103的需要调用复杂神经网络的运算任务转移终端设备101、102来完成。
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。
请参考图2，图2为本申请实施例提供的一种神经网络稀疏化方法的流程图，其中流程200包括以下步骤：
步骤201：将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组；
本步骤旨在由神经网络稀疏化方法的执行主体(例如图1所示的服务器105)将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组。其中，待处理的复杂神经网络可基于预先为各复杂神经网络附加的待稀疏化标签确定出，也可以在接收到的神经网络稀疏化指令中提取到与各复杂神经网络唯一匹配的编号或身份信息。
各关联权重组中均存储有预设数量的关联权重，例如可以设置每4个存在关联关系的权重被划分进一个关联权重组。而关联关系可以表现为多种形式，例如在采用矩阵形式记载各权重的情况下，矩阵中的每一行或每一列都存在相应的关联关系，往往在同一行或在同一列的权重将具有不同的关联点；关联关系也可以按是否为同一层网络的输出等进行划分，此处不做具体限定，可根据实际应用场景对关联点或关联因素的切入点进行划分。
步骤202：确定各关联权重组中各关联权重在预设正则化方式下的排序结果；
在步骤201的基础上，本步骤旨在由上述执行主体根据各关联权重组中各关联权重在预设正则化方式下得到的正则化项，以根据正则化项的大小完成各关联权重组内的大小排序。
其中，将各关联权重通过预设正则化方式表示为正则化项，其本身的目的就是为了网络的稀疏化，为实现稀疏化目的，该预设正则化方式可包括L1范数(也称L1 Norm)、L2范数(也称L2 Norm)、L1-2范数(也称L1-2 Norm)等，L1范数将向量中各元素之和作为稀疏化算子的一种正则化方式，L2范数则是将向量中各元素的平方和的平方根作为稀疏化算子的一种正则化方式，L1-2范数则是介于两者之间的一种正则化方式，不同的正则化方式对稀疏化的各方面影响不仅相同，可根据实际情况灵活选择，此处不做具体限定。
步骤203：根据预设的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重；
在步骤202的基础上，本步骤旨在由上述执行主体根据预设的稀疏比例将所呈现的排序结果中的一部分权重划分为重要权重、剩下的部分划分为不重要权重。其中，重要权重指对当前的神经网络来说属于重要子网络的权重，不重要权重则指对当前的神经网络来说属于不重要子网络的权重。
以具体为50％的稀疏比例、每个关联权重组中均存储有4个关联权重为例，通过本步骤将按正则项的大小排序前50％的关联权重划分为重要权重、后50％的关联权重划分为不重要权重。
步骤204：在前向传播过程中按照预设的移除概率随机移除不重要权重，得到稀疏化神经网络。
在步骤203的基础上，本步骤旨在由上述执行主体在前向传播过程中按照预设的移除概率随机移除不重要权重，得到稀疏化神经网络。
其中，在按照预设的移除概率随机移除不重要权重时，其移除对象为每个关联权重组中的不重要权重，且每个关联权重组中的每个不重要权重是否被将被移除，其概率均为该预设的移除概率，彼此之间相互独立。
以具体为50％的移除概率、每个关联权重组中有2个不重要权重、共有4个关联权重组为例，并非说共8个不重要权重将按照50％的移除概率固定移除4个，而是被移除数在0～8个之间，包括0个和8个，这是因为这8个不重要权重各自都拥有50％被移除的概率，若每个不重要权重都被另外50％概率没被移除，其被移除数就为0；若每个不重要权重都被这50％的概率移除，其被移除数就为8。
与将网络层的所有权重放在一起共同划分属于重要子网络还是非重要子网络的传统稀疏化方式不同，本申请所提供的神经网络稀疏化方法是预先将各权重按关联性划分为多个关联权重组，后续将以关联权重组为单位重要子网络或非重要子网络的划分以及稀疏化训练，针对组内所进行的此种稀疏化训练能够基于关联性在更小、更准确的范围内进行剪枝，即为组内稀疏化结构提供一种适配的组内稀疏化方法，使得按此方式训练出的稀疏化神经网络模型将拥有与复杂神经网络精度更接近的输出。
请参考图3，图3为本申请实施例提供的另一种神经网络稀疏化方法的流程图，针对的是复杂神经网络的稀疏化训练仅存在单一的一个阶段的情况，其中流程300包括以下步骤：
步骤301：将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组；
步骤302：将各关联权重组中各关联权重的L1范数作为其第一正则化项；
在复杂神经网络的稀疏化训练仅存在单一的一个阶段的情况下，本实施例在本步骤具体选用了将各关联权重组中各关联权重的L1范数作为其第一正则化项的实现方案。由于稀疏化训练仅存在单一的一个阶段，使用L1范数将拥有相对较好的整体效果。
步骤303：按照第一正则化项的大小依次排列，得到每个关联权重组中各关联权重的排序结果；
在步骤302的基础上，分别计算每个关联权重组中各关联权重的向量中各个元素绝对值的和，并按照和的大小进行排序，进而得到组内排序结果。
步骤304：根据预设的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重；
步骤305：在前向传播过程中按照预设的移除概率随机移除不重要权重，得到稀疏化神经网络。
区别于流程200示出的实施例，本实施例针对常见的单一阶段稀疏化过程，具体提供了一种选用L1范数来作为权重的正则化项，并基于其计算得到的结果进行排序从而在预设的稀疏比例下选出重要权重和不重要权重的实现方案，整体上拥有相对较好的效果。
为更好的理解图3所示实施例方案的执行效果，此处还结合图4a、图4b、图4c依次进行的示意图进行说明：
如图4a所示，记载复杂神经网络各网络的原始矩阵将按关联性划分为4个为一组的关联权重组，可以看到图4a中共有使用不对灰度的8个关联权重组；
图4b是将图4a示出的8个不同的关联权重组按照固定的50％的稀疏比例选出的不重要权重和重要权重的示意图，在如图4b中，数值大小在组内前50％的权重将被加粗表示为重要权重，未被加粗的后50％的权重将被表示为不重要权重；
图4c是将图4b示出的不重要权重按照固定的50％的移除比例进行随机移除后得到的一个结果示意图，可以看出，左上的关联权重组中的2个不重要权重仅被移除掉了其中1个，也有其它关联权重组中的2个不重要权重均未被移除掉，也有其它关联权重组中的2个不重要权重均被移除掉。
请参考图5，图5为本申请实施例提供的又一种神经网络稀疏化方法的流程图，不同于图3针对的是复杂神经网络的稀疏化训练仅存在单一的一个阶段的情况，图5针对的是复杂神经网络的稀疏化训练过程可被细分为前后两个阶段的情况，其中流程500包括以下步骤：
步骤501：将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组；
步骤502：在稀疏化训练的前半阶段，将各关联权重组中各关联权重的L1-2范数作为其第二正则化项；
在稀疏化训练的前半阶段，本实施例在本步骤具体选用了将各关联权重组中各关联权重的L1-2范数作为其第二正则化项的实现方案。以借助L1-2范数的特点帮助当前的神经网络在前半阶段的训练优化过程中不断适应组内稀疏的结构，间接帮助后半阶段的训练。L1-2范数可表现为下述公式：
其中，g指代中文“组”的英文“group”，Wg则指代每个关联权重组的权重，i为取值从1到设定的组内权重数之间的正整数，
指先对Wg指示的组内关联权重按L1范数进行计算，然后将取其平方。即对每个小组内的权重已单个权重为单位引入L1范数计算，再以小组为单位，已每个小组内所有权重的绝对值合为单位引入L2范数计算。
步骤503：以实际数值从0逐渐提高至第一数值的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重；
在步骤502的基础上，本步骤旨在由上述执行主体以实际数值从0逐渐提高至第一数值的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重。
从0逐步提高的稀疏比例将能够较好的避免在每个关联权重组中包含的关联权重的数量较少的情况下，经过少数次的稀疏化训练就在结果的精度上出现较大的损失的问题。
以每个关联权重组中包含8个关联权重、目标稀疏比例为87.5％为例，当稀疏比例已从0逐渐调整至75％时，每个分组中还剩余2个不重要权重，这时再将稀疏度调整至87.5％，相当于一次性剪去占现有数量50％的权重，这会导致模型的性能出现极大程度的下降，并且在之后很难恢复。
步骤504：保持以50％的移除概率在前向传播中移除不重要权重；
在步骤503的基础上，本步骤旨在由上述执行主体保持以50％的移除概率在前向传播中移除不重要权重。
步骤502-步骤504描述的均是稀疏化训练的前半阶段。
步骤505：在稀疏化训练的后半阶段，将各关联权重组中各关联权重的L2范数作为其第三正则化项；
在稀疏化训练的后半阶段，本实施例在本步骤具体选用了将各关联权重组中各关联权重的L2范数作为其第三正则化项的实现方案。以借助L2范数的特性来提高最终产生的稀疏化神经网络在任务处理中的泛化能力。
步骤506：保持实际数值为第一数值的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重；
在步骤505的基础上，本步骤旨在由上述执行主体保持实际数值为第一数值的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重。
之所以在后半阶段可以保持第一数值不变，是因为经过前半阶段的不断提升，稀疏比例所能起到的作用已经对当前的神经网络的影响不大，在其保持稳定的情况下能够更好的调整其他稀疏化因子。
步骤507：以实际数值从50％逐渐提高至100％的移除概率在前向传播中移除不重要权重，得到稀疏化神经网络。
在步骤506的基础上，本步骤旨在由上述执行主体以实际数值从50％逐渐提高至100％的移除概率在前向传播中移除不重要权重，以通过逐渐提高的移除概率观察网络稀疏化的效果。
区别于流程300示出的实施例，本实施例为了追求更好的稀疏化效果以及增强模型的泛化能力，具体提供了一种在前半阶段选用L1-2范数来作为权重的正则化项，并在前半阶段以实际数值从0逐渐提高至第一数值的稀疏比例的方式划分出重要权重和不重要权重、保持50％移除概率的方式进行训练，以通过尽可能的适应组内稀疏的结构的方式来帮助后半阶段的训练，而在后半阶段的训练则换用了能够给网络带来更强泛化能力的L2范数，同时也保持稀疏比例在第一数值不变、移除概率逐渐提升至100％。
与图5所示实施例对应，图6示出了相应的稀疏比例和移除概率随稀疏化训练不同阶段变化情况的折线图。
在上述任意实施例的基础上，为了验证最终得到的稀疏化神经网络是否实际可用，还可以分别通过稀疏化神经网络和复杂神经网络得到输入的相同测试数据集的第一结果和第二结果，并在第一结果与第二结果的差异小于预设差异时确定稀疏化神经网络处于可用状态。
在上述任意实施例的基础上，考虑到经稀疏化处理得到的稀疏化神经网络已经在尽可能的保留复杂神经网络输出结果精度的基础上，显著降低了复杂度和大小，因此还可以尝试将稀疏化神经网络置入具有轻量化运算能力的轻量化终端，并控制传入的复杂神经网络调用指令转移给轻量化终端中的稀疏化神经网络。以充分借助当前存在的大量轻量化终端来发挥更大的作用。
在上述任意实施例的基础上，应当理解的是，复杂神经网络的稀疏化并不会影响原有神经网络的实际用途，因此在复杂神经网络为用于输出与输入的待分类图像所属的实际类别的图像分类模型时，依然可以利用轻量化终端中的稀疏化神经网络处理传入的待分类图像，并返回输出的实际类别，即输出待分类图像所属的实际类别；在复杂神经网络为用于输出输入的待处理文本中包含的指定类型实体的实体识别模型，依然可以利用轻量化终端中的稀疏化神经网络处理传入的待处理文本，并返回输出的实际实体，即输出待处理文本中包含的各实体。除上述列举出的图像分类用途和自然语言处理用途外，还可以广泛应用在关键字提取、舆情分析、风险评估等其它方面。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种神经网络稀疏化装置的一个实施例，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7所示，本实施例的神经网络稀疏化装置700可以包括：关联权重分组单元701、正则化排序单元702、重要/不重要划分单元703、前向传播随机移除单元704。其中，关联权重分组单元701，被配置成将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组；其中，各关联权重组中均存储有预设数量的关联权重；正则化排序单元702，被配置成确定各关联权重组中各关联权重在预设正则化方式下的排序结果；重要/不重要划分单元703，被配置成根据预设的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重；前向传播随机移除单元704，被配置成在前向传播过程中按照预设的移除概率随机移除不重要权重，得到稀疏化神经网络。
在本实施例中，神经网络稀疏化装置700中：关联权重分组单元701、正则化排序单元702、重要/不重要划分单元703、前向传播随机移除单元704的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，响应于对复杂神经网络的稀疏化训练仅存在一个阶段，正则化排序单元702可以被进一步配置成：
将各关联权重组中各关联权重的L1范数作为其第一正则化项；其中，L1范数是计算向量中各个元素绝对值的和；
按照第一正则化项的大小依次排列，得到每个关联权重组中各关联权重的排序结果。
在本实施例的一些可选的实现方式中，响应于对复杂神经网络的稀疏化训练被分为前后两个阶段，正则化排序单元702可以被进一步配置成：
在稀疏化训练的前半阶段，将各关联权重组中各关联权重的L1-2范数作为其第二正则化项；其中，L1-2范数是对每个关联权重组内的各关联权重分别计算L1范数，再以各关联权重组中的所有关联权重的绝对值合为单位计算L2范数；
在稀疏化训练的后半阶段，将各关联权重组中各关联权重的L2范数作为其第三正则化项；其中，L2范数是计算向量各元素的平方和的平方根。
在本实施例的一些可选的实现方式中，重要/不重要划分单元703和前向传播随机移除单元704可以被进一步配置成：
在稀疏化训练的前半阶段，以实际数值从0逐渐提高至第一数值的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重，并保持以50％的移除概率在前向传播中移除不重要权重；
在稀疏化训练的后半阶段，保持实际数值为第一数值的稀疏比例和排序结果将各关联权重组中的各关联权重划分为重要权重和不重要权重，并以实际数值从50％逐渐提高至100％的移除概率在前向传播中移除不重要权重。
在本实施例的一些可选的实现方式中，神经网络稀疏化装置700还可以包括：
可用性测试单元，被配置成分别通过稀疏化神经网络和复杂神经网络得到输入的相同测试数据集的第一结果和第二结果；
可用确定单元，被配置成响应于第一结果与第二结果的差异小于预设差异，确定稀疏化神经网络处于可用状态。
在本实施例的一些可选的实现方式中，神经网络稀疏化装置700还可以包括：
稀疏化神经网络置入单元，被配置成将稀疏化神经网络置入具有轻量化运算能力的轻量化终端；
指令转移单元，被配置成控制传入的复杂神经网络调用指令转移给轻量化终端中的稀疏化神经网络。
在本实施例的一些可选的实现方式中，响应于复杂神经网络为用于输出与输入的待分类图像所属的实际类别的图像分类模型，神经网络稀疏化装置700还可以包括：
图像分类单元，被配置成利用轻量化终端中的稀疏化神经网络处理传入的待分类图像，并返回输出的实际类别。
在本实施例的一些可选的实现方式中，响应于复杂神经网络为用于输出输入的待处理文本中包含的指定类型实体的实体识别模型，神经网络稀疏化装置700还可以包括：
实体识别单元，被配置成利用轻量化终端中的稀疏化神经网络处理传入的待处理文本，并返回输出的实际实体。
本实施例作为对应于上述方法实施例的装置实施例存在，与将网络层的所有权重放在一起共同划分属于重要子网络还是非重要子网络的传统稀疏化方式不同，本申请所提供的神经网络稀疏化装置是预先将各权重按关联性划分为多个关联权重组，后续将以关联权重组为单位重要子网络或非重要子网络的划分以及稀疏化训练，针对组内所进行的此种稀疏化训练能够基于关联性在更小、更准确的范围内进行剪枝，即为组内稀疏化结构提供一种适配的组内稀疏化方法，使得按此方式训练出的稀疏化神经网络模型将拥有与复杂神经网络精度更接近的输出。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本申请的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如神经网络稀疏化方法。例如，在一些实施例中，神经网络稀疏化方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的神经网络稀疏化方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行神经网络稀疏化方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷。
与将网络层的所有权重放在一起共同划分属于重要子网络还是非重要子网络的传统稀疏化方式不同，本申请实施例是预先将各权重按关联性划分为多个关联权重组，后续将以关联权重组为单位重要子网络或非重要子网络的划分以及稀疏化训练，针对组内所进行的此种稀疏化训练能够基于关联性在更小、更准确的范围内进行剪枝，即为组内稀疏化结构提供一种适配的组内稀疏化方法，使得按此方式训练出的稀疏化神经网络模型将拥有与复杂神经网络精度更接近的输出。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (16)
1.一种神经网络稀疏化方法，包括：
将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组；其中，各所述关联权重组中均存储有预设数量的关联权重；
确定各所述关联权重组中各关联权重在预设正则化方式下的排序结果；
根据预设的稀疏比例和所述排序结果将各所述关联权重组中的各关联权重划分为重要权重和不重要权重；
在前向传播过程中按照预设的移除概率随机移除所述不重要权重，得到稀疏化神经网络。
2.根据权利要求1所述的方法，其中，响应于对所述复杂神经网络的稀疏化训练仅存在一个阶段，所述确定各所述关联权重组中各关联权重在预设正则化方式下的排序结果，包括：
将各所述关联权重组中各关联权重的L1范数作为其第一正则化项；其中，所述L1范数是计算向量中各个元素绝对值的和；
按照所述第一正则化项的大小依次排列，得到每个所述关联权重组中各关联权重的排序结果。
3.根据权利要求1所述的方法，其中，响应于对所述复杂神经网络的稀疏化训练被分为前后两个阶段，所述确定各所述关联权重组中各关联权重在预设正则化方式下的排序结果，包括：
在稀疏化训练的前半阶段，将各所述关联权重组中各关联权重的L1-2范数作为其第二正则化项；其中，所述L1-2范数是对每个关联权重组内的各关联权重分别计算所述L1范数，再以各关联权重组中的所有关联权重的绝对值合为单位计算L2范数；
在稀疏化训练的后半阶段，将各所述关联权重组中各关联权重的L2范数作为其第三正则化项；其中，所述L2范数是计算向量各元素的平方和的平方根。
4.根据权利要求3所述的方法，其中，所述根据预设的稀疏比例和所述排序结果将各所述关联权重组中的各关联权重划分为重要权重和不重要权重，在前向传播过程中按照预设的移除概率随机移除所述不重要权重，包括：
在稀疏化训练的前半阶段，以实际数值从0逐渐提高至第一数值的稀疏比例和所述排序结果将各所述关联权重组中的各关联权重划分为重要权重和不重要权重，并保持以50％的移除概率在前向传播中移除所述不重要权重；
在稀疏化训练的后半阶段，保持实际数值为所述第一数值的稀疏比例和所述排序结果将各所述关联权重组中的各关联权重划分为重要权重和不重要权重，并以实际数值从50％逐渐提高至100％的移除概率在前向传播中移除所述不重要权重。
5.根据权利要求1所述的方法，还包括：
分别通过所述稀疏化神经网络和所述复杂神经网络得到输入的相同测试数据集的第一结果和第二结果；
响应于所述第一结果与所述第二结果的差异小于预设差异，确定所述稀疏化神经网络处于可用状态。
6.根据权利要求1-5任一项所述的方法，还包括：
将所述稀疏化神经网络置入具有轻量化运算能力的轻量化终端；
控制传入的复杂神经网络调用指令转移给所述轻量化终端中的稀疏化神经网络。
7.根据权利要求6所述的方法，响应于所述复杂神经网络为用于输出与输入的待分类图像所属的实际类别的图像分类模型，还包括：
利用所述轻量化终端中的稀疏化神经网络处理传入的待分类图像，并返回输出的实际类别。
8.根据权利要求6所述的方法，响应于所述复杂神经网络为用于输出输入的待处理文本中包含的指定类型实体的实体识别模型，还包括：
利用所述轻量化终端中的稀疏化神经网络处理传入的待处理文本，并返回输出的实际实体。
9.一种神经网络稀疏化装置，包括：
关联权重分组单元，被配置成将待处理的复杂神经网络中的权重按关联性划分为多个关联权重组；其中，各所述关联权重组中均存储有预设数量的关联权重；
正则化排序单元，被配置成确定各所述关联权重组中各关联权重在预设正则化方式下的排序结果；
重要/不重要划分单元，被配置成根据预设的稀疏比例和所述排序结果将各所述关联权重组中的各关联权重划分为重要权重和不重要权重；
前向传播随机移除单元，被配置成在前向传播过程中按照预设的移除概率随机移除所述不重要权重，得到稀疏化神经网络。
10.根据权利要求9所述的装置，其中，响应于对所述复杂神经网络的稀疏化训练仅存在一个阶段，所述正则化排序单元被进一步配置成：
将各所述关联权重组中各关联权重的L1范数作为其第一正则化项；其中，所述L1范数是计算向量中各个元素绝对值的和；
按照所述第一正则化项的大小依次排列，得到每个所述关联权重组中各关联权重的排序结果。
11.根据权利要求9所述的装置，其中，响应于对所述复杂神经网络的稀疏化训练被分为前后两个阶段，所述正则化排序单元被进一步配置成：
在稀疏化训练的前半阶段，将各所述关联权重组中各关联权重的L1-2范数作为其第二正则化项；其中，所述L1-2范数是对每个关联权重组内的各关联权重分别计算所述L1范数，再以各关联权重组中的所有关联权重的绝对值合为单位计算L2范数；
在稀疏化训练的后半阶段，将各所述关联权重组中各关联权重的L2范数作为其第三正则化项；其中，所述L2范数是计算向量各元素的平方和的平方根。
12.根据权利要求11所述的装置，其中，所述重要/不重要划分单元和所述前向传播随机移除单元被进一步配置成：
在稀疏化训练的前半阶段，以实际数值从0逐渐提高至第一数值的稀疏比例和所述排序结果将各所述关联权重组中的各关联权重划分为重要权重和不重要权重，并保持以50％的移除概率在前向传播中移除所述不重要权重；
在稀疏化训练的后半阶段，保持实际数值为所述第一数值的稀疏比例和所述排序结果将各所述关联权重组中的各关联权重划分为重要权重和不重要权重，并以实际数值从50％逐渐提高至100％的移除概率在前向传播中移除所述不重要权重。
13.根据权利要求9所述的装置，还包括：
可用性测试单元，被配置成分别通过所述稀疏化神经网络和所述复杂神经网络得到输入的相同测试数据集的第一结果和第二结果；
可用确定单元，被配置成响应于所述第一结果与所述第二结果的差异小于预设差异，确定所述稀疏化神经网络处于可用状态。
14.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的神经网络稀疏化方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的神经网络稀疏化方法。
16.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的神经网络稀疏化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011494647.6A CN112561061A (zh) | 2020-12-17 | 2020-12-17 | 神经网络稀疏化方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011494647.6A CN112561061A (zh) | 2020-12-17 | 2020-12-17 | 神经网络稀疏化方法、装置、设备、存储介质及程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112561061A true CN112561061A (zh) | 2021-03-26 |
Family
ID=75064447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011494647.6A Pending CN112561061A (zh) | 2020-12-17 | 2020-12-17 | 神经网络稀疏化方法、装置、设备、存储介质及程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561061A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511706A (zh) * | 2022-01-14 | 2022-05-17 | 北京百度网讯科技有限公司 | 一种数据处理、模型训练方法、装置、设备以及存储介质 |
-
2020
- 2020-12-17 CN CN202011494647.6A patent/CN112561061A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114511706A (zh) * | 2022-01-14 | 2022-05-17 | 北京百度网讯科技有限公司 | 一种数据处理、模型训练方法、装置、设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230103013A1 (en) | Method for processing image, method for training face recognition model, apparatus and device | |
| CN112561079A (zh) | 分布式的模型训练装置、方法及计算机程序产品 | |
| CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
| CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| CN113627536B (zh) | 模型训练、视频分类方法，装置，设备以及存储介质 | |
| CN115690443B (zh) | 特征提取模型训练方法、图像分类方法及相关装置 | |
| CN115456167B (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
| CN114723966A (zh) | 多任务识别方法、训练方法、装置、电子设备及存储介质 | |
| CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
| CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
| CN115358392A (zh) | 深度学习网络的训练方法、文本检测方法及装置 | |
| CN114693934A (zh) | 语义分割模型的训练方法、视频语义分割方法及装置 | |
| CN113887615A (zh) | 图像处理方法、装置、设备和介质 | |
| CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
| CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
| CN113792876A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
| CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
| CN112529161A (zh) | 生成对抗网络训练方法、生成对抗网络、人脸图像翻译方法和装置 | |
| CN112561061A (zh) | 神经网络稀疏化方法、装置、设备、存储介质及程序产品 | |
| CN115496916B (zh) | 图像识别模型的训练方法、图像识别方法以及相关装置 | |
| CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
| CN112966723B (zh) | 视频数据增广方法、装置、电子设备及可读存储介质 | |
| CN113361621B (zh) | 用于训练模型的方法和装置 | |
| CN113139463B (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |