CN114467098A - 用于深度神经网络的经学习阈值修剪 - Google Patents

用于深度神经网络的经学习阈值修剪 Download PDF

Info

Publication number
CN114467098A
CN114467098A CN202080068674.9A CN202080068674A CN114467098A CN 114467098 A CN114467098 A CN 114467098A CN 202080068674 A CN202080068674 A CN 202080068674A CN 114467098 A CN114467098 A CN 114467098A
Authority
CN
China
Prior art keywords
pruning
training
weights
training weights
threshold
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
Application number
CN202080068674.9A
Other languages
English (en)
Inventor
K·阿扎里安·雅兹迪
T·P·F·布兰克沃特
J·W·李
Y·S·巴尔加特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qualcomm Inc
Original Assignee
Qualcomm Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qualcomm Inc filed Critical Qualcomm Inc
Publication of CN114467098A publication Critical patent/CN114467098A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种用于基于经学习阈值来修剪人工神经网络的权重的方法包括：基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值。响应于第一组预训练权重中的每个预训练权重的第一值大于修剪阈值，第一组预训练权重被修剪。响应于该多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于修剪阈值，微调或调整第二组预训练权重。

Description

用于深度神经网络的经学习阈值修剪
相关申请的交叉引用
本申请要求于2020年10月9日提交的题为“LEARNED THRESHOLD PRUNING FORDEEP NEURAL NETWORKS(用于深度神经网络的经学习阈值修剪)”的美国专利申请No.17/067,233的权益，该美国专利申请要求于2019年10月11日提交的题为“LEARNED THRESHOLDPRUNING FOR DEEP NEURAL NETWORKS(用于深度神经网络的经学习阈值修剪)”的美国临时专利申请No.62/914,233的权益，这些申请的公开内容通过援引全部明确纳入于此。
背景
技术领域
本公开的各方面一般涉及修剪深度神经网络。
背景技术
卷积神经网络使用许多计算和存储资源。因此，可能难以将传统的神经网络部署在具有有限资源的系统上，诸如云系统或嵌入式系统。一些传统的神经网络被修剪和量化以减少处理器和存储器使用。期望改进修剪方法以提高系统性能。
概述
在本公开的一方面，提供了一种方法。该方法包括：基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值。该方法还包括：响应于第一组预训练权重中的每个预训练权重的第一值大于该修剪阈值来修剪第一组预训练权重。另外，该方法包括：响应于该多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于该修剪阈值来调整第二组预训练权重。
在本公开的另一方面，提供了一种装置。该装置包括存储器以及耦合至该存储器的一个或多个处理器。该处理器被配置成：基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值。该处理器还被配置成：响应于第一组预训练权重中的每个预训练权重的第一值大于该修剪阈值来修剪第一组预训练权重。另外，该处理器被配置成：响应于该多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于该修剪阈值来调整第二组预训练权重。
在本公开的另一方面，提供了一种装备。该装备包括：用于基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值的装置。该装备还包括：用于响应于第一组预训练权重中的每个预训练权重的第一值大于该修剪阈值来修剪第一组预训练权重的装置。另外，该装备包括：用于响应于该多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于该修剪阈值来调整第二组预训练权重的装置。
在本公开的进一步方面，提供了一种非瞬态计算机可读介质。该计算机可读介质上编码有程序代码。该程序代码由处理器执行并且包括：用于基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值的代码。该程序代码还包括：用于响应于第一组预训练权重中的每个预训练权重的第一值大于该修剪阈值来修剪第一组预训练权重的代码。此外，该程序代码包括：用于响应于该多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于该修剪阈值来调整第二组预训练权重的代码。
本公开的附加特征和优点将在下文描述。本领域技术人员应当领会，本公开可容易地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还应认识到，这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理解。然而，要清楚理解的是，提供每一幅附图均仅用于解说和描述目的，且无意作为对本公开的限定的定义。
附图简述
在结合附图理解下面阐述的详细描述时，本公开的特征、本质和优点将变得更加明显，在附图中，相同附图标记始终作相应标识。
图1解说了根据本公开的某些方面的使用片上系统(SOC)(包括通用处理器)来设计神经网络的示例实现。
图2A、2B和2C是解说根据本公开的各方面的神经网络的示图。
图2D是解说根据本公开的各方面的示例性深度卷积网络(DCN)的示图。
图3是解说根据本公开的各方面的示例性深度卷积网络(DCN)的框图。
图4是解说根据本公开的各方面的联合学习系统的示例的示图。
图5是用于基于经学习阈值来修剪神经网络的权重的过程的流程图。
详细描述
以下结合附图阐述的详细描述旨在作为各种配置的描述，而无意表示可实践所描述的概念的仅有配置。本详细描述包括具体细节以便提供对各种概念的透彻理解。然而，对于本领域技术人员将显而易见的是，没有这些具体细节也可实践这些概念。在一些实例中，以框图形式示出众所周知的结构和组件以避免湮没此类概念。
基于本教导，本领域技术人员应领会，本公开的范围旨在覆盖本公开的任何方面，不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可以使用所阐述的任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为所阐述的本公开的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解，所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。
措辞“示例性”在本文中用于意指“用作示例、实例、或解说”。本公开中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。
尽管描述了特定方面，但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点，但本公开的范围并非旨在被限定于特定益处、用途或目标。相反，本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协议，其中一些作为示例在附图以及以下对优选方面的描述中解说。详细描述和附图仅仅解说本公开而非限定本公开，本公开的范围由所附权利要求及其等效技术方案来定义。
卷积神经网络可以使用大量的计算(例如，处理器)和存储(例如，存储器)资源。因此，可能难以将传统的神经网络部署在具有有限资源的系统上，诸如云系统、嵌入式系统和联合学习系统。一些传统的神经网络被修剪和量化，以减少神经网络所消耗的计算和存储资源的量。
遗憾的是，传统的神经网络在训练阶段期间没有学习修剪准则，从而影响网络性能和效率。与在训练后学习修剪参数的神经网络相比，在训练期间确定修剪准则(诸如修剪阈值)可以提高神经网络处理速度和准确性。另外，在训练期间确定修剪准则还可导致功耗降低。
另外，在一些情形中，传统的修剪方法基于正则化方法将冗余权重的值归零。在这些情形中，神经网络可以修剪零值权重，以减少对神经网络性能的影响。一些神经网络使用批量归一化(BN)单元。将冗余权重的值归零的正则化方法可能不会降低对使用批量归一化单元的较新架构的性能影响。
本公开的各方面涉及通过在训练期间学习修剪参数来改进修剪。在一种配置中，基于经学习阈值修剪(LTP)方法来修剪参数。LTP是非结构化修剪方法的示例。即，层(例如，卷积(Conv)层或全连通(FC)层)内的权重可以个体地被修剪。非结构化修剪不同于结构化修剪。在结构化修剪中，修剪可能限于内核级修剪(例如，许多权重的集合)。即，在结构化修剪中可能不会修剪个体层。
在一种配置中，在训练期间，LTP方法学习针对神经网络的每一层的阈值。经学习阈值可被称为层阈值。在训练结束时，在每一层，小于相应的层阈值的权重被修剪。在该配置中，可以基于经学习的层阈值来确定可微的(differentiable)分类损失。即，可微的分类损失可以是经学习的层阈值的导数。另外，可以基于经学习的层阈值来确定可微的L0正则化损失。即，可微的L0正则化损失可以是层阈值的导数。可以在存在批量归一化单元的情况下使用可微的L0正则化损失。
图1解说了根据本公开的某些方面的片上系统(SOC)100的示例实现，其可包括被配置成用于经学习阈值修剪的中央处理单元(CPU)102或多核CPU。变量(例如，神经信号和突触权重)、与计算设备(例如，带有权重的神经网络)相关联的系统参数、延迟、频率槽信息、以及任务信息可被存储在与神经处理单元(NPU)108相关联的存储器块、与CPU 102相关联的存储器块、与图形处理单元(GPU)104相关联的存储器块、与数字信号处理器(DSP)106相关联的存储器块、存储器块118中，或可跨多个块分布。在CPU 102处执行的指令可从与CPU 102相关联的程序存储器加载或可从存储器块118加载。
SOC 100还可包括为具体功能定制的附加处理块，诸如GPU 104、DSP106、连通性块110(其可包括第五代(5G)连通性、第四代长期演进(4G LTE)连通性、Wi-Fi连通性、USB连通性、蓝牙连通性等)以及例如可检测和识别姿势的多媒体处理器112。在一种实现中，NPU实现在CPU、DSP、和/或GPU中。SOC 100还可包括传感器处理器114、图像信号处理器(ISP)116、和/或导航模块120(其可包括全球定位系统)。
SOC 100可基于ARM指令集。在本公开的一方面，加载到处理器102中的指令可包括用于基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值的代码。加载到处理器102中的指令还可包括用于响应于第一组预训练权重中的每个预训练权重的第一值大于修剪阈值来修剪第一组预训练权重的代码。此外，加载到处理器102中的指令可包括用于响应于该多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于修剪阈值来调整第二组预训练权重的代码。
深度学习架构可通过学习在每一层中以逐次更高的抽象程度来表示输入、藉此构建输入数据的有用特征表示来执行对象识别任务。以此方式，深度学习解决了传统机器学习的主要瓶颈。在深度学习出现之前，用于对象识别问题的机器学习办法可能严重依赖人类工程设计的特征，或许与浅分类器相结合。浅分类器可以是两类线性分类器，例如，其中可将特征向量分量的加权和与阈值作比较以预测输入属于哪一类。人类工程设计的特征可以是由拥有领域专业知识的工程师针对具体问题领域定制的模版或内核。相反，深度学习架构可学习以表示与人类工程师可能会设计的相似的特征，但它是通过训练来学习的。此外，深度网络可以学习以表示和识别人类可能还没有考虑过的新类型的特征。
深度学习架构可以学习特征阶层。例如，如果向第一层呈递视觉数据，则第一层可学习以识别输入流中的相对简单的特征(诸如边)。在另一示例中，如果向第一层呈递听觉数据，则第一层可学习以识别特定频率中的频谱功率。取第一层的输出作为输入的第二层可以学习以识别特征组合，诸如对于视觉数据识别简单形状或对于听觉数据识别声音组合。例如，更高层可学习以表示视觉数据中的复杂形状或听觉数据中的词语。再高层可学习以识别常见视觉对象或口语短语。
深度学习架构在被应用于具有自然阶层结构的问题时可能表现特别好。例如，机动交通工具的分类可受益于首先学习以识别轮子、挡风玻璃、以及其他特征。这些特征可在更高层以不同方式被组合以识别轿车、卡车和飞机。
神经网络可被设计成具有各种连通性模式。在前馈网络中，信息从较低层被传递到较高层，其中给定层中的每个神经元向更高层中的神经元进行传达。如上所述，可在前馈网络的相继层中构建阶层式表示。神经网络还可具有回流或反馈(也被称为自顶向下(top-down))连接。在回流连接中，来自给定层中的神经元的输出可被传达给相同层中的另一神经元。回流架构可有助于识别跨越不止一个按顺序递送给该神经网络的输入数据组块的模式。从给定层中的神经元到较低层中的神经元的连接被称为反馈(或自顶向下)连接。当高层级概念的识别可辅助辨别输入的特定低层级特征时，具有许多反馈连接的网络可能是有助益的。
神经网络的各层之间的连接可以是全连通的或局部连通的。图2A解说了全连通神经网络202的示例。在全连通神经网络202中，第一层中的神经元可将它的输出传达给第二层中的每个神经元，从而第二层中的每个神经元将从第一层中的每个神经元接收输入。图2B解说了局部连通神经网络204的示例。在局部连通神经网络204中，第一层中的神经元可连接到第二层中有限数目的神经元。更一般化地，局部连通神经网络204的局部连通层可被配置成使得一层中的每个神经元将具有相同或相似的连通性模式，但其连接强度可具有不同的值(例如，210、212、214和216)。局部连通的连通性模式可能在更高层中产生空间上相异的感受野，这是由于给定区域中的更高层神经元可接收到通过训练被调谐为到网络的总输入的受限部分的性质的输入。
局部连通神经网络的一个示例是卷积神经网络。图2C解说了卷积神经网络206的示例。卷积神经网络206可被配置成使得与针对第二层中每个神经元的输入相关联的连接强度被共享(例如，208)。卷积神经网络可能非常适合于其中输入的空间位置有意义的问题。
一种类型的卷积神经网络是深度卷积网络(DCN)。图2D解说了被设计成从自图像捕捉设备230(诸如车载相机)输入的图像226识别视觉特征的DCN200的详细示例。可对当前示例的DCN 200进行训练以标识交通标志以及在交通标志上提供的数字。当然，DCN 200可被训练用于其他任务，诸如标识车道标记或标识交通信号灯。
可以用受监督式学习来训练DCN 200。在训练期间，可向DCN 200呈递图像(诸如限速标志的图像226)，并且随后可计算“前向传递(forward pass)”以产生输出222。DCN 200可包括特征提取区段和分类区段。在接收到图像226之际，卷积层232可向图像226应用卷积核(未示出)，以生成第一组特征图218。作为示例，卷积层232的卷积核可以是生成28x28特征图的5x5内核。在本示例中，由于在第一组特征图218中生成四个不同的特征图，因此在卷积层232处四个不同的卷积核被应用于图像226。卷积核还可被称为过滤器或卷积过滤器。
第一组特征图218可由最大池化层(未示出)进行子采样以生成第二组特征图220。最大池化层减小了第一组特征图218的大小。即，第二组特征图220的大小(诸如14x14)小于第一组特征图218的大小(诸如28x28)。减小的大小向后续层提供类似的信息，同时降低存储器消耗。第二组特征图220可经由一个或多个后续卷积层(未示出)被进一步卷积，以生成后续的一组或多组特征图(未示出)。
在图2D的示例中，第二组特征图220被卷积以生成第一特征向量224。此外，第一特征向量224被进一步卷积以生成第二特征向量228。第二特征向量228的每个特征可包括与图像226的可能特征(诸如，“标志”、“60”和“100”)相对应的数字。softmax(软最大化)函数(未示出)可将第二特征向量228中的数字转换为概率。如此，DCN 200的输出222是图像226包括一个或多个特征的概率。
在本示例中，输出222中关于“标志”和“60”的概率高于输出222的其他特征(诸如“30”、“40”、“50”、“70”、“80”、“90”和“100”)的概率。在训练之前，由DCN 200产生的输出222很可能是不正确的。由此，可计算输出222与目标输出之间的误差。目标输出是图像226的真值(例如，“标志”和“60”)。DCN 200的权重可随后被调整以使得DCN 200的输出222与目标输出更紧密地对齐。
为了调整权重，学习算法可为权重计算梯度向量。该梯度可指示在权重被调整情况下误差将增加或减少的量。在顶层，该梯度可直接对应于连接倒数第二层中的活化神经元与输出层中的神经元的权重的值。在较低层中，该梯度可取决于权重的值以及所计算出的较高层的误差梯度。权重可随后被调整以减小误差。这种调整权重的方式可被称为“后向传播”，因为其涉及在神经网络中的“后向传递(backward pass)”。
在实践中，权重的误差梯度可能是在少量示例上计算的，从而计算出的梯度近似于真实误差梯度。这种近似方法可被称为随机梯度下降法。随机梯度下降法可被重复，直到整个系统可达成的误差率已停止下降或直到误差率已达到目标水平。在学习之后，DCN可被呈递新图像(例如，图像226的限速标志)并且通过网络前向传递可产生输出222，其可被认为是该DCN的推断或预测。
深度置信网络(DBN)是包括多层隐藏节点的概率性模型。DBN可被用于提取训练数据集的阶层式表示。DBN可通过堆叠多层受限波尔兹曼机(RBM)来获得。RBM是一类可在输入集上学习概率分布的人工神经网络。由于RBM可在没有关于每个输入应该被分类到哪个类的信息的情况下学习概率分布，因此RBM经常被用在无监督式学习中。使用混合无监督式和受监督式范式，DBN的底部RBM可按无监督方式被训练并且可以用作特征提取器，而顶部RBM可按受监督方式(在来自先前层的输入和目标类的联合分布上)被训练并且可用作分类器。
深度卷积网络(DCN)是卷积网络的网络，其配置有附加的池化和归一化层。DCN已在许多任务上达成现有最先进的性能。DCN可使用受监督式学习来训练，其中输入和输出目标两者对于许多典范是已知的并被用于通过使用梯度下降法来修改网络的权重。
DCN可以是前馈网络。另外，如上所述，从DCN的第一层中的神经元到下一更高层中的神经元群的连接跨第一层中的神经元被共享。DCN的前馈和共享连接可被用于进行快速处理。DCN的计算负担可比例如类似大小的包括回流或反馈连接的神经网络的计算负担小得多。
卷积网络的每一层的处理可被认为是空间不变模版或基础投影。如果输入首先被分解成多个通道，诸如彩色图像的红色、绿色和蓝色通道，那么在该输入上训练的卷积网络可被认为是三维的，其具有沿着该图像的轴的两个空间维度以及捕捉颜色信息的第三维度。卷积连接的输出可被认为在后续层中形成特征图，该特征图(例如，220)中的每个元素从先前层(例如，特征图218)中一定范围的神经元以及从该多个通道中的每个通道接收输入。特征图中的值可以用非线性(诸如矫正，max(0,x))进一步处理。来自毗邻神经元的值可被进一步池化(这对应于降采样)并可提供附加的局部不变性以及维度缩减。还可通过特征图中神经元之间的侧向抑制来应用归一化，其对应于白化。
深度学习架构的性能可随着有更多被标记的数据点变为可用或随着计算能力提高而提高。现代深度神经网络用比仅仅十五年前可供典型研究者使用的计算资源多数千倍的计算资源来例行地训练。新的架构和训练范式可进一步推升深度学习的性能。经矫正的线性单元可减少被称为梯度消失的训练问题。新的训练技术可减少过度拟合(over-fitting)并因此使更大的模型能够达成更好的普遍化。封装技术可抽象出给定的感受野中的数据并进一步提升总体性能。
图3是解说深度卷积网络350的框图。深度卷积网络350可包括多个基于连通性和权重共享的不同类型的层。如图3中示出的，深度卷积网络350包括卷积块354A、354B。卷积块354A、354B中的每一者可配置有卷积层(CONV)356、归一化层(LNorm)358、和最大池化层(MAX POOL)360。
卷积层356可包括一个或多个卷积过滤器，其可被应用于输入数据以生成特征图。尽管仅示出了两个卷积块354A、354B，但本公开不限于此，而是代之以根据设计偏好可将任何数目的卷积块354A、354B包括在深度卷积网络350中。归一化层358可对卷积过滤器的输出进行归一化。例如，归一化层358可提供白化或侧向抑制。最大池化层360可提供在空间上的降采样聚集以实现局部不变性以及维度缩减。
例如，深度卷积网络的并行过滤器组可被加载到SOC 100的CPU 102或GPU 104上以达成高性能和低功耗。在替换实施例中，并行过滤器组可被加载到SOC 100的DSP 106或ISP 116上。另外，深度卷积网络350可访问其他可存在于SOC 100上的处理块，诸如分别专用于传感器和导航的传感器处理器114和导航模块120。
深度卷积网络350还可包括一个或多个全连通层362(FC1和FC2)。深度卷积网络350可进一步包括逻辑回归(LR)层364。深度卷积网络350的每一层356、358、360、362、364之间是要被更新的权重(未示出)。每一层(例如，356、358、360、362、364)的输出可以用作深度卷积网络350中一后续层(例如，356、358、360、362、364)的输入以从第一卷积块354A处供应的输入数据352(例如，图像、音频、视频、传感器数据和/或其他输入数据)学习阶层式特征表示。深度卷积网络350的输出是针对输入数据352的分类得分366。分类得分366可以是概率集，其中每个概率是输入数据包括来自特征集的特征的概率。
如上所述，本公开的各方面涉及通过在训练期间学习修剪参数来改进修剪。在一种配置中，基于经学习阈值修剪(LTP)方法来修剪参数。LTP是非结构化修剪方法的示例。即，层(例如，卷积(Conv)层或全连通(FC)层)内的权重可以个体地被修剪。相比于非结构化修剪，结构化修剪可能限于内核级修剪(例如，许多权重的集合)。即，在结构化修剪中可能不会修剪个体层。
在一种配置中，在训练期间，LTP方法学习针对神经网络的每一层的阈值。经学习阈值可被称为层阈值。在训练结束时，在每一层，小于相应的层阈值的权重被修剪。在该配置中，可以基于经学习的层阈值来确定可微的分类损失L。可微的分类损失L可以是经学习的层阈值的导数。另外，可以基于经学习的层阈值来确定可微的L0正则化损失。可微的L0正则化损失可以是层阈值的导数。可以在存在批量归一化单元的情况下使用可微的L0正则化损失。
在一种配置中，基于被确定为可微的分类损失L与可微的L0正则化损失之和的总损失LTOTAL来学习层阈值。在该配置中，可以从初始训练阶段确定权重wkl(例如，未经修剪的权重)，其中参数l表示第l层。每一层l的阈值τl可以在初始训练阶段之后的训练阶段期间被确定。初始训练阶段之后的训练阶段可被称为微调阶段(也可被称为调整阶段)。在一种配置中，在微调阶段期间调整权重wkl。
根据本公开的各方面，LTP方法基于可微的分类损失L来确定层阈值τl。在训练(例如，微调阶段)期间，可以使用经软修剪的权重vkl来代替原始的wkl权重。经软修剪的权重vkl可以如下确定：
Figure BDA0003571223880000111
其中sigm()表示S型(sigmoid)函数，并且T表示温度。温度参数T控制S型函数的陡度，并且调节在优化的速度与损失曲面(loss landscape)的平滑度之间的折衷。通过增大温度，优化难度增加。另一方面，如果温度T降低，则结果所得的稀疏性也会降低。原始权重wkl(例如，未经修剪的权重)可以从初始训练阶段确定。基于式1，如果至S型函数的输入(例如，
Figure BDA0003571223880000112
)的值小于0.5，则S型函数输出0，并且如果该输入的值等于或大于0.5，则S型函数输出1。基于式1，如果原始权重wkl的值大于阈值τl的值，则经软修剪的权重vkl的值可以类似于(例如，等于)未经压缩权重wkl的值(例如，vkl＝wkl×1，其中1表示S型函数的输出，并且wkl表示未经修剪的权重)。替换地，如果未经压缩权重wkl的值小于阈值τl的值，则经软修剪的权重vkl的值可以为零(例如，vkl＝wkl×0，其中0表示S型函数的输出并且wkl表示未经修剪的权重)。
S型函数sigm()可以是可微的。因此，可以基于经软修剪的权重vkl和S型函数经由后向传播来调整阈值τl和权重wkl。在一种配置中，分类损失L关于阈值τl的导数可被确定为：
Figure BDA0003571223880000121
另外，分类损失L关于权重wkl的导数可被确定为：
Figure BDA0003571223880000122
式2和式3的分类损失L是该损失关于经软修剪的权重vkl的导数的函数。因此，分类损失L关于权重wkl的导数(式3)可与分类损失L关于阈值τl的导数(式2)同时确定。分类损失L可以是交叉熵损失、或另一类型的可微的分类损失L。除了最小化分类损失L之外，本公开的各方面还最小化正则化损失L0。在一种配置中，正则化损失L0被确定为：
Figure BDA0003571223880000123
在式4中，正则化损失L0是未经修剪的权重(例如，非零权重)的计数。如所描述的，如果至S型函数的输入(例如，
Figure BDA0003571223880000124
)的值小于0.5，则S型函数输出0，并且如果该输入的值等于或大于0.5，则S型函数输出1。即，当权重wkl大于阈值时，S型函数输出1。输出1表示未经修剪的权重。因此，正则化损失L0可以是未经修剪的权重的总和。正则化损失L0也可以是可微的。
根据本公开的各方面，正则化损失L0促进修剪。相反，分类损失L惩罚修剪。即，可以通过减少经修剪权重的数目来减少分类损失L。因此，在没有正则化损失L0的情况下，基于式2和式3，阈值τl的值可能被减小至零。因此，根据本公开的各方面，与分类损失L相结合地考虑正则化损失L0，以平衡分类性能和经修剪权重的数目。
正则化损失L0关于权重wkl的导数可被推导为：
Figure BDA0003571223880000131
另外，正则化损失L0关于阈值τl的导数可被推导为：
Figure BDA0003571223880000132
总损失LTOTAL可以是分类损失L和归一化每层正则化损失∑lαlL0,l的总和。总损失可以被推导如下：
LTOTAL＝L+∑lαlL0,l (7)
可以在每层的基础上设置修剪偏好值al。作为示例，如果针对每一层将修剪偏好值al设置为1，则每一层l可以被平等地对待。在另一示例中，可能期望减少操作数目而非权重总数。在该示例中，具有较大特征图大小的层(例如，初始层)可以被赋予超过具有较小特征图大小的层(例如，输出层)的修剪偏好。即，在该示例中，用于初始层的修剪偏好值al的值可以小于用于输出层的修剪偏好值al的值。修剪偏好值al的总和可以平衡地提供最终的网络端到端修剪比率。随着修剪偏好值al的总和增大，修剪量可能增加。修剪偏好值al可以由用户基于期望的应用或由网络使用的设备类型来设置。
在推断期间，可以用硬限幅器替代S型函数，使得低于相应阈值的所有权重被修剪。另外，本公开的各方面适用于各种类型的神经网络，并且不限于深度神经网络和/或包括批量归一化的神经网络。
本公开的各方面不限于S型函数，并且可以使用其他可微函数，诸如双曲正切函数。可微函数使用温度参数来平滑该函数。通过在训练网络以确定阈值τl和权重wkl时对温度参数进行退火，可微函数可收敛至硬限幅器或阶跃函数。
本公开的各方面不限于用于修剪个体权重的非结构化修剪。构想了其他类型的修剪，诸如群修剪或结构化修剪。群修剪可涉及修剪由应用或硬件平台定义的一群权重。作为另一示例，对于结构化修剪，可以基于与经学习阈值τl的比较来修剪内核范数。
本公开的各方面可以在联合学习系统中实现。图4是解说根据本公开的各方面的联合学习系统400的示例的示图。在图4的示例中，在联合学习系统400中，每个用户设备402a、402b可以在本地训练共用模型。即，可以在用户设备402a、402b上基于用户提供的训练数据来训练共用模型。共用模型可以由服务器404提供。
用户设备402a、402b的计算资源可能是有限的。在一些情形中，推断和后向传播的计算负担可以与模型权重的数量成比例。计算负担可以用浮点运算数(flops)和存储器占用(memory footprint)的方式来定义。本公开的各方面不限于图4中所示类型的用户设备402a、402b(例如，移动设备和台式计算机)。构想了其他类型的设备。另外，本公开的各方面不限于具有两个设备402a、402b的联合学习系统400。构想了附加的设备。
在当前示例中，对于联合学习系统400，每个用户设备402a、402b可以向服务器404报告梯度更新。可以经由通信信道来报告梯度更新。另外，可以将噪声添加到每个梯度更新以保护训练数据的隐私。被指定用于将梯度更新传送给服务器404的通信资源可与模型权重的数量成比例。
本公开的各方面可以在联合学习系统400中实现以减少模型权重。减少模型权重的数量可以减少所报告的梯度更新的数量，减少被指定用于在用户设备处训练共用模型的权重数量，和/或改善隐私。作为示例，减少权重数量可能增加重构私有数据的难度。因此，在该示例中，减少权重数量可以改善隐私。
在一种配置中，每个用户设备402a、402b基于经学习阈值τl(例如，每层阈值τl)来下载模型(例如，人工神经网络)。即，每个用户设备402a、402b可以仅下载等于或大于阈值τl的权重。替换地，服务器404可以仅传送等于或大于阈值τl的权重。附加地或替换地，可以基于阈值τl来限制梯度更新。作为示例，每个用户设备402a、402b可以仅针对等于或大于阈值τl的权重提供梯度更新。
根据本公开的各方面，可以为每个用户设备402a、402b配置修剪偏好值al。即，每个用户设备402a、402b可以与服务器404通信以商定一组修剪偏好值al(例如，每层有一个修剪偏好值)，使得每层阈值是基于用户设备402a、402b的需要和/或服务器404的需要来为每个用户设备402a、402b定制的。例如，第一用户设备402a的每层修剪偏好值al可以不同于第二用户设备402b的每层修剪偏好值al。基于不同的每层修剪偏好值al，对于第一用户设备402a，用于第一层的阈值τ1相较于第二用户设备402b的阈值τ1而言可以更大。在该示例中，对于第一用户设备402a，用于第三层的阈值τ3相较于第二用户设备402b的阈值τ3而言可以更小。该差异可以基于不同的用户设备402a、402b规范。例如，第一用户设备402a可具有有限的存储器，而第二用户设备402b可具有有限的浮点运算数。本公开的各方面可以基于反映不同用户约束的修剪偏好值al来动态地适配阈值。
图5是用于基于经学习阈值来修剪神经网络的权重的过程500的流程图。如图5所示，在框502，过程500基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值。
在框504，该过程响应于第一组预训练权重中的每个预训练权重的第一值大于修剪阈值来修剪第一组预训练权重。
在框506，该过程响应于该多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于修剪阈值来调整第二组预训练权重。
在一些方面，可微的经修剪权重被确定为该多个预训练权重中的预训练权重与可微函数的乘积。可微函数基于预训练权重、修剪阈值和用于平滑该可微函数的温度来确定修剪值。
在一些方面，基于针对人工神经网络的每一层确定的修剪值来确定正则化损失。另外，在一些方面，基于修剪阈值的第一梯度和该多个预训练权重的第二梯度，分类损失被减少，并且在一些情形中被最小化。此外，正则化损失可以基于修剪偏好值来归一化，其中确定修剪阈值包括基于分类损失和归一化的正则化损失来确定总损失。
在一些方面，人工神经网络被分发到联合学习系统的用户设备，并基于用户设备的硬件简档来配置修剪偏好值。可以从被分发的人工神经网络中排除第一组预训练权重。
以上所描述的方法的各种操作可由能够执行相应功能的任何合适的装置来执行。这些装置可包括各种硬件和/或软件组件和/或模块，包括但不限于电路、专用集成电路(ASIC)、或处理器。一般而言，在附图中有解说的操作的场合，那些操作可具有带相似编号的相应配对装置加功能组件。
如所使用的，术语“确定”涵盖各种各样的动作。例如，“确定”可包括演算、计算、处理、推导、研究、查找(例如，在表、数据库或另一数据结构中查找)、查明及诸如此类。另外，“确定”可包括接收(例如接收信息)、访问(例如访问存储器中的数据)、及类似动作。此外，“确定”可包括解析、选择、选取、确立及类似动作。
如所使用的，引述一列项目“中的至少一者”的短语指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一者”旨在涵盖：a、b、c、a-b、a-c、b-c、以及a-b-c。
结合本公开所描述的各种解说性逻辑框、模块、以及电路可用设计成执行所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列信号(FPGA)或其他可编程逻辑器件(PLD)、分立的门或晶体管逻辑、分立的硬件组件或其任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何市售的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如，DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其他此类配置。
结合本公开描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中实施。软件模块可驻留在本领域所知的任何形式的存储介质中。可使用的存储介质的一些示例包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、寄存器、硬盘、可移动盘、CD-ROM，等等。软件模块可包括单条指令、或许多条指令，且可分布在若干不同的代码段上，分布在不同的程序间以及跨多个存储介质分布。存储介质可被耦合到处理器以使得该处理器能从/向该存储介质读写信息。在替换方案中，存储介质可被整合到处理器。
所公开的方法包括用于达成所描述的方法的一个或多个步骤或动作。这些方法步骤和/或动作可以彼此互换而不会脱离权利要求的范围。换言之，除非指定了步骤或动作的特定次序，否则具体步骤和/或动作的次序和/或使用可以改动而不会脱离权利要求的范围。
所描述的功能可在硬件、软件、固件或其任何组合中实现。如果以硬件实现，则示例硬件配置可包括设备中的处理系统。处理系统可以用总线架构来实现。取决于处理系统的具体应用和整体设计约束，总线可包括任何数目的互连总线和桥接器。总线可将包括处理器、机器可读介质、以及总线接口的各种电路链接在一起。总线接口可用于尤其将网络适配器等经由总线连接至处理系统。网络适配器可用于实现信号处理功能。对于某些方面，用户接口(例如，按键板、显示器、鼠标、操纵杆，等等)也可以被连接到总线。总线还可以链接各种其他电路，诸如定时源、外围设备、稳压器、功率管理电路以及类似电路，它们在本领域中是众所周知的，因此将不再进一步描述。
处理器可负责管理总线和一般处理，包括执行存储在机器可读介质上的软件。处理器可用一个或多个通用和/或专用处理器来实现。示例包括微处理器、微控制器、DSP处理器、以及其他能执行软件的电路系统。软件应当被宽泛地解释成意指指令、数据、或其任何组合，无论是被称作软件、固件、中间件、微代码、硬件描述语言、或其他。作为示例，机器可读介质可包括随机存取存储器(RAM)、闪存、只读存储器(ROM)、可编程只读存储器(PROM)、可擦式可编程只读存储器(EPROM)、电可擦式可编程只读存储器(EEPROM)、寄存器、磁盘、光盘、硬驱动器、或者任何其他合适的存储介质、或其任何组合。机器可读介质可被实施在计算机程序产品中。该计算机程序产品可以包括包装材料。
在硬件实现中，机器可读介质可以是处理系统中与处理器分开的一部分。然而，如本领域技术人员将容易领会的，机器可读介质或其任何部分可在处理系统外部。作为示例，机器可读介质可包括传输线、由数据调制的载波、和/或与设备分开的计算机产品，所有这些都可由处理器通过总线接口来访问。替换地或附加地，机器可读介质或其任何部分可被集成到处理器中，诸如高速缓存和/或通用寄存器文件可能就是这种情形。虽然所讨论的各种组件可被描述为具有特定位置，诸如局部组件，但它们也可按各种方式来配置，诸如某些组件被配置成分布式计算系统的一部分。
处理系统可以被配置为通用处理系统，该通用处理系统具有一个或多个提供处理器功能性的微处理器、以及提供机器可读介质中的至少一部分的外部存储器，它们都通过外部总线架构与其他支持电路系统链接在一起。替换地，该处理系统可以包括一个或多个神经元形态处理器以用于实现所描述的神经元模型和神经系统模型。作为另一替换方案，处理系统可以用带有集成在单块芯片中的处理器、总线接口、用户接口、支持电路系统、和至少一部分机器可读介质的专用集成电路(ASIC)来实现，或者用一个或多个现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、状态机、门控逻辑、分立硬件组件、或者任何其他合适的电路系统、或者能执行本公开通篇所描述的各种功能性的电路的任何组合来实现。取决于具体应用和加诸于整体系统上的总设计约束，本领域技术人员将认识到如何最佳地实现关于处理系统所描述的功能性。
机器可读介质可包括数个软件模块。这些软件模块包括当由处理器执行时使处理系统执行各种功能的指令。这些软件模块可包括传送模块和接收模块。每个软件模块可以驻留在单个存储设备中或者跨多个存储设备分布。作为示例，当触发事件发生时，可以从硬驱动器中将软件模块加载到RAM中。在软件模块执行期间，处理器可以将一些指令加载到高速缓存中以提高访问速度。可随后将一个或多个高速缓存行加载到通用寄存器文件中以供处理器执行。在以下述及软件模块的功能性时，将理解此类功能性是在处理器执行来自该软件模块的指令时由该处理器来实现的。此外，应领会，本公开的各方面产生对处理器、计算机、机器或实现此类方面的其它系统的机能的改进。
如果以软件实现，则各功能可作为一条或多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，这些介质包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，此类计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储或其他磁存储设备、或能用于携带或存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其他介质。另外，任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或无线技术(诸如红外(IR)、无线电、以及微波)从web网站、服务器、或其他远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL或无线技术(诸如红外、无线电、以及微波)就被包括在介质的定义之中。如所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘、和蓝光(
Figure BDA0003571223880000191
)碟，其中盘(disk)常常磁性地再现数据，而碟(disc)用激光来光学地再现数据。因此，在一些方面，计算机可读介质可包括非瞬态计算机可读介质(例如，有形介质)。另外，对于其他方面，计算机可读介质可包括瞬态计算机可读介质(例如，信号)。以上的组合应当也被包括在计算机可读介质的范围内。
由此，某些方面可包括用于执行所给出的操作的计算机程序产品。例如，此类计算机程序产品可包括其上存储(和/或编码)有指令的计算机可读介质，这些指令能由一个或多个处理器执行以执行所描述的操作。对于某些方面，计算机程序产品可包括包装材料。
此外，应当领会，用于执行所描述的方法和技术的模块和/或其他恰适装置可由用户终端和/或基站在适用的场合下载和/或以其他方式获得。例如，此类设备能被耦合到服务器以促成用于执行所描述的方法的装置的转移。替换地，所描述的各种方法能经由存储装置(例如，RAM、ROM、诸如压缩碟(CD)或软盘等物理存储介质等)来提供，以使得一旦将该存储装置耦合到或提供给用户终端和/或基站，该设备就能获得各种方法。此外，可利用用于向设备提供所描述的方法和技术的任何其他合适的技术。
将理解，权利要求并不被限于以上所解说的精确配置和组件。可在以上所描述的方法和装置的布局、操作和细节上作出各种改动、更换和变形而不会脱离权利要求的范围。

Claims (28)

1.一种方法，包括：
基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值；
响应于所述第一组预训练权重中的每个预训练权重的第一值大于所述修剪阈值来修剪所述第一组预训练权重；以及
响应于所述多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于所述修剪阈值来调整所述第二组预训练权重。
2.如权利要求1所述的方法，进一步包括：作为所述多个预训练权重中的预训练权重与可微函数的乘积来确定可微的经修剪权重，所述可微函数基于所述预训练权重、所述修剪阈值和用于平滑所述可微函数的温度来确定修剪值。
3.如权利要求2所述的方法，进一步包括：基于所述修剪阈值的第一梯度和所述多个预训练权重的第二梯度来使所述分类损失最小化。
4.如权利要求2所述的方法，进一步包括：基于针对人工神经网络的每一层确定的所述修剪值来确定所述正则化损失。
5.如权利要求1所述的方法，进一步包括：基于修剪偏好值来归一化所述正则化损失，其中确定所述修剪阈值包括基于所述分类损失和归一化的正则化损失来确定总损失。
6.如权利要求5所述的方法，进一步包括：
将人工神经网络分发给联合学习系统的用户设备；以及
基于所述用户设备的硬件简档来配置所述修剪偏好值。
7.如权利要求6所述的方法，进一步包括：从所分发的人工神经网络中排除所述第一组预训练权重。
8.一种装置，包括：
存储器；以及
耦合至所述存储器的至少一个处理器，所述至少一个处理器被配置成：
基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值；
响应于所述第一组预训练权重中的每个预训练权重的第一值大于所述修剪阈值来修剪所述第一组预训练权重；以及
响应于所述多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于所述修剪阈值来调整所述第二组预训练权重。
9.如权利要求8所述的装置，其中所述至少一个处理器被进一步配置成：作为所述多个预训练权重中的预训练权重与可微函数的乘积来确定可微的经修剪权重，所述可微函数基于所述预训练权重、所述修剪阈值和用于平滑所述可微函数的温度来确定修剪值。
10.如权利要求9所述的装置，其中所述至少一个处理器被进一步配置成：基于所述修剪阈值的第一梯度和所述多个预训练权重的第二梯度来使所述分类损失最小化。
11.如权利要求9所述的装置，其中所述至少一个处理器被进一步配置成：基于针对人工神经网络的每一层确定的所述修剪值来确定所述正则化损失。
12.如权利要求8所述的装置，其中所述至少一个处理器被进一步配置成：基于修剪偏好值来归一化所述正则化损失，其中确定所述修剪阈值包括基于所述分类损失和归一化的正则化损失来确定总损失。
13.如权利要求12所述的装置，其中所述至少一个处理器被进一步配置成：
将人工神经网络分发给联合学习系统的用户设备；以及
基于所述用户设备的硬件简档来配置所述修剪偏好值。
14.如权利要求13所述的装置，其中所述至少一个处理器被进一步配置成：从所分发的人工神经网络中排除所述第一组预训练权重。
15.一种装备，包括：
用于基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值的装置；
用于响应于所述第一组预训练权重中的每个预训练权重的第一值大于所述修剪阈值来修剪所述第一组预训练权重的装置；以及
用于响应于所述多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于所述修剪阈值来调整所述第二组预训练权重的装置。
16.如权利要求15所述的装备，进一步包括：用于作为所述多个预训练权重中的预训练权重与可微函数的乘积来确定可微的经修剪权重的装置，所述可微函数基于所述预训练权重、所述修剪阈值和用于平滑所述可微函数的温度来确定修剪值。
17.如权利要求16所述的装备，进一步包括：用于基于所述修剪阈值的第一梯度和所述多个预训练权重的第二梯度来使所述分类损失最小化的装置。
18.如权利要求16所述的装备，进一步包括：用于基于针对人工神经网络的每一层确定的所述修剪值来确定所述正则化损失的装置。
19.如权利要求15所述的装备，进一步包括：用于基于修剪偏好值来归一化所述正则化损失的装置，其中确定所述修剪阈值包括基于所述分类损失和归一化的正则化损失来确定总损失。
20.如权利要求19所述的装备，进一步包括：
用于将人工神经网络分发给联合学习系统的用户设备的装置；以及
用于基于所述用户设备的硬件简档来配置所述修剪偏好值的装置。
21.如权利要求20所述的装备，进一步包括：用于从所分发的人工神经网络中排除所述第一组预训练权重的装置。
22.一种编码有程序代码的非瞬态计算机可读介质，所述程序代码由处理器执行并且包括：
用于基于分类损失和正则化损失的函数来确定用于修剪多个预训练权重中的第一组预训练权重的修剪阈值的程序代码；
用于响应于所述第一组预训练权重中的每个预训练权重的第一值大于所述修剪阈值来修剪所述第一组预训练权重的程序代码；以及
用于响应于所述多个预训练权重中的第二组预训练权重中的每个预训练权重的第二值大于所述修剪阈值来调整所述第二组预训练权重的程序代码。
23.如权利要求22所述的非瞬态计算机可读介质，进一步包括：用于作为所述多个预训练权重中的预训练权重与可微函数的乘积来确定可微的经修剪权重的程序代码，所述可微函数基于所述预训练权重、所述修剪阈值和用于平滑所述可微函数的温度来确定修剪值。
24.如权利要求23所述的非瞬态计算机可读介质，进一步包括：用于基于所述修剪阈值的第一梯度和所述多个预训练权重的第二梯度来使所述分类损失最小化的程序代码。
25.如权利要求23所述的非瞬态计算机可读介质，进一步包括：用于基于针对人工神经网络的每一层确定的所述修剪值来确定所述正则化损失的程序代码。
26.如权利要求22所述的非瞬态计算机可读介质，进一步包括：用于基于修剪偏好值来归一化所述正则化损失的程序代码，其中确定所述修剪阈值包括基于所述分类损失和归一化的正则化损失来确定总损失。
27.如权利要求26所述的非瞬态计算机可读介质，进一步包括用于以下操作的程序代码：
将人工神经网络分发给联合学习系统的用户设备；以及
基于所述用户设备的硬件简档来配置所述修剪偏好值。
28.如权利要求27所述的非瞬态计算机可读介质，进一步包括：用于从所分发的人工神经网络中排除所述第一组预训练权重的程序代码。
CN202080068674.9A 2019-10-11 2020-10-10 用于深度神经网络的经学习阈值修剪 Pending CN114467098A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962914233P 2019-10-11 2019-10-11
US62/914,233 2019-10-11
US17/067,233 US11704571B2 (en) 2019-10-11 2020-10-09 Learned threshold pruning for deep neural networks
US17/067,233 2020-10-09
PCT/US2020/055167 WO2021072338A1 (en) 2019-10-11 2020-10-10 Learned threshold pruning for deep neural networks

Publications (1)

Publication Number Publication Date
CN114467098A true CN114467098A (zh) 2022-05-10

Family

ID=75382975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080068674.9A Pending CN114467098A (zh) 2019-10-11 2020-10-10 用于深度神经网络的经学习阈值修剪

Country Status (4)

Country Link
US (1) US11704571B2 (zh)
EP (1) EP4042333A1 (zh)
CN (1) CN114467098A (zh)
WO (1) WO2021072338A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792890B (zh) * 2021-09-29 2024-05-03 国网浙江省电力有限公司信息通信分公司 一种基于联邦学习的模型训练方法及相关设备
CN114219306B (zh) * 2021-12-16 2022-11-15 蕴硕物联技术(上海)有限公司 用于建立焊接质量检测模型的方法、设备、介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11250325B2 (en) * 2017-12-12 2022-02-15 Samsung Electronics Co., Ltd. Self-pruning neural networks for weight parameter reduction
US11687759B2 (en) * 2018-05-01 2023-06-27 Semiconductor Components Industries, Llc Neural network accelerator
CN112106081A (zh) * 2018-05-07 2020-12-18 谷歌有限责任公司 提供综合机器学习服务的应用开发平台和软件开发套件
US11475308B2 (en) * 2019-03-15 2022-10-18 Samsung Electronics Co., Ltd. Jointly pruning and quantizing deep neural networks
US20210158166A1 (en) 2019-10-11 2021-05-27 Qualcomm Incorporated Semi-structured learned threshold pruning for deep neural networks

Also Published As

Publication number Publication date
EP4042333A1 (en) 2022-08-17
WO2021072338A1 (en) 2021-04-15
US20210110268A1 (en) 2021-04-15
US11704571B2 (en) 2023-07-18

Similar Documents

Publication Publication Date Title
CN107646116B (zh) 用于定点神经网络的位宽选择
CN107580712B (zh) 定点神经网络的降低的计算复杂度
US20210089922A1 (en) Joint pruning and quantization scheme for deep neural networks
CN107636697B (zh) 用于量化浮点神经网络以获得定点神经网络的方法和设备
CN108027899B (zh) 用于提高经训练的机器学习模型的性能的方法
US20210158166A1 (en) Semi-structured learned threshold pruning for deep neural networks
US11423323B2 (en) Generating a sparse feature vector for classification
US11238346B2 (en) Learning a truncation rank of singular value decomposed matrices representing weight tensors in neural networks
CN114207628A (zh) 通过调整存储器内计算阵列的列阈值来执行xnor等效运算
US20220121949A1 (en) Personalized neural network pruning
CN114467098A (zh) 用于深度神经网络的经学习阈值修剪
EP4222655A1 (en) Dynamic quantization for energy efficient deep learning
WO2021158830A1 (en) Rounding mechanisms for post-training quantization
US20220284260A1 (en) Variable quantization for neural networks
WO2023178467A1 (en) Energy-efficient anomaly detection and inference on embedded systems
US20230419087A1 (en) Adapters for quantization
CN116917901A (zh) 针对深度神经网络的半结构化习得阈值修剪
WO2024130688A1 (en) Image set anomaly detection with transformer encoder
US20230306233A1 (en) Simulated low bit-width quantization using bit shifted neural network parameters
WO2023249821A1 (en) Adapters for quantization
WO2022087303A1 (en) Sub-spectral normalization for neural audio data processing
EP4309077A1 (en) Kernel-guided architecture search and knowledge distillation
WO2024054325A1 (en) Meta-pre-training with augmentations to generalize neural network processing for domain adaptation
WO2023101779A1 (en) Flow-agnostic neural video compression

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