CN116933857A - 神经网络的剪枝处理方法、装置、设备及介质 - Google Patents
神经网络的剪枝处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116933857A CN116933857A CN202210346578.7A CN202210346578A CN116933857A CN 116933857 A CN116933857 A CN 116933857A CN 202210346578 A CN202210346578 A CN 202210346578A CN 116933857 A CN116933857 A CN 116933857A
- Authority
- CN
- China
- Prior art keywords
- target
- candidate
- pruning
- subnet
- subnets
- 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
- 238000013138 pruning Methods 0.000 title claims abstract description 204
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 108
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 127
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000006835 compression Effects 0.000 claims abstract description 53
- 238000007906 compression Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 241000412626 Penetes Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
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)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开实施例涉及一种神经网络的剪枝处理方法、装置、设备及介质，其中该方法包括：根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网；根据预设的性能评估指标预测每个候选子网在目标硬件平台上运行的预估数值；根据预估数值从多个候选子网中筛选目标子网，其中，目标子网在目标硬件平台上运行的预估数值，匹配预先配置的与性能评估指标对应的目标数值范围。可见，本公开实施例以直接的硬件评估指标准确筛选出更加适应硬件平台特性的目标子网进行数据处理，进一步的提高了网络的运行性能和数据处理效率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种神经网络的剪枝处理方法、装置、设备及介质。
背景技术
基于神经网络的人工智能技术在移动终端等硬件平台上的应用，智能移动终端飞速发展满足人们的各种应用需求。其中，其主要实现技术包括基于训练好的神经网络模型数据在视频处理语言识别、图像识别与理解、游戏视觉等应用领域的数据处理。基于移动终端有限的计算资源，考虑到绝大多数的卷积神经网络均存在一定程度上的参数冗余，因此通过剪枝去除神经网络中各层冗余的卷积核或卷积核上的神经元，在移动终端等硬件平台上得到占用计算资源和存储资源更小的神经网络。
现有的大部分剪枝算法是通过减少计算量或者参数量来简化网络，但是由于神经网络计算的复杂性和硬件平台底层计算特性的不同，计算量或者参数量的减少并不一定能带来速度的提升和功耗的减小。由此可见，仅仅通过计算量或者参数量对剪枝后的神经网络的性能评估不够准确。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种神经网络的剪枝处理方法、装置、设备及介质。
第一方面，本公开实施例提供了一种神经网络的剪枝处理方法，所述方法包括：
根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网；
根据预设的性能评估指标预测每个所述候选子网在目标硬件平台上运行的预估数值；
根据所述预估数值从所述多个候选子网中筛选目标子网，其中，所述目标子网在所述目标硬件平台上运行的预估数值，满足预先配置的与所述性能评估指标对应的目标数值范围。
一种可选的实施方式中，所述预设的剪枝压缩指标，包括：
剪枝计算量压缩指标，或者，剪枝参数量压缩指标。
一种可选的实施方式中，所述根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网，包括：
根据预设的起始剪枝率和当前周期的剪枝增长率，获取所述当前周期的剪枝压缩指标；
根据所述当前周期的剪枝压缩指标对所述初始神经网络中的至少一个卷积层进行剪枝处理，获取所述多个候选子网。
一种可选的实施方式中，所述根据所述当前周期的剪枝压缩指标对所述初始神经网络中的至少一个卷积层进行剪枝处理，获取多个候选子网，包括：
根据所述当前周期的剪枝压缩指标，以及所述初始神经网络中每个卷积层的参数配置，计算与每个卷积层对应的剪枝单元集合，其中，所述每个卷积层对应的剪枝单元集合均满足所述当前周期的剪枝压缩指标；
根据所述每个卷积层对应的剪枝单元集合，分别对所述初始神经网络中每个卷积层进行单独的剪枝处理，获取所述多个候选子网，其中，所述多个候选子网的数量与所述初始神经网络的卷积层数量一致。
一种可选的实施方式中，所述预设的性能评估指标，包括：
速度、延时、功耗、内存占用中的一个性能评估指标，或，多个性能评估指标的组合。
一种可选的实施方式中，所述根据预设的性能评估指标预测每个所述候选子网在目标硬件平台上运行的预估数值，包括：
根据速度评估网络对每个所述候选子网进行编码处理，获取每个所述候选子网在所述目标硬件平台上的运行速度，其中，所述速度评估网络是根据所述目标硬件平台的样本网络和对应速度的数据集训练生成的。
一种可选的实施方式中，所述根据预设的性能评估指标预测每个所述候选子网在目标硬件平台上运行的预估数值，包括：
根据功耗评估网络对每个所述候选子网进行编码处理，获取每个所述候选子网在所述目标硬件平台上的运行功耗，其中，所述功耗评估网络是根据所述目标硬件平台的样本网络和对应功耗的数据集训练生成的。
一种可选的实施方式中，所述根据所述预估数值从所述多个候选子网中筛选目标子网，包括：
将所述预估数值与所述目标数值范围进行比较，如果存在至少一个满足所述目标数值范围的预估数值，则从所述多个候选子网中筛选对应满足所述目标数值范围的至少一个目标候选子网；
根据所述至少一个目标候选子网筛选所述目标子网。
一种可选的实施方式中，在所述目标候选子网为多个的情况下，所述根据所述至少一个目标候选子网筛选所述目标子网，包括：
从预设的多个性能评估指标中确定目标性能评估指标；
将每个所述目标候选子网中与所述目标性能评估指标对应的预估数值进行比较；
根据比较结果选择预估数值最高的目标候选子网为所述目标子网。
一种可选的实施方式中，在所述目标候选子网为多个的情况下，所述根据所述至少一个目标候选子网筛选所述目标子网，包括：
预测每个所述目标候选子网在所述目标硬件平台的运行精度；
比较每个所述目标候选子网在所述目标硬件平台的运行精度，选择运行精度最高的目标候选子网为所述目标子网。
一种可选的实施方式中，在将所述预估数值与所述目标数值范围进行比较之后，还包括：
如果所有的所述预估数值都不满足所述目标数值范围，则预测每个所述候选子网在所述目标硬件平台的运行精度；
比较每个所述候选子网在所述目标硬件平台的运行精度，选择运行精度最高的候选子网为下一周期的初始神经网络；
根据预设的下一周期的剪枝增长率对所述下一周期的初始神经网络进行剪枝处理，获取所述多个候选子网。
一种可选的实施方式中，还包括：
在所述目标硬件平台上通过所述目标子网对输入数据进行数据处理，其中，所述输入数据包括多媒体数据、音频数据、视频数据、图像数据中的一种或者多种组合。
第二方面，本公开实施例还提供了一种神经网络的剪枝处理装置，所述装置包括：
获取模块，用于根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网；
预测模块，用于根据预设的性能评估指标预测每个所述候选子网在目标硬件平台上运行的预估数值；
筛选模块，用于根据所述预估数值从所述多个候选子网中筛选目标子网，其中，所述目标子网在所述目标硬件平台上运行的预估数值，满足预先配置的与所述性能评估指标对应的目标数值范围。
第三方面，本公开提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备实现上述的方法。
第四方面，本公开提供了一种设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的方法。
第五方面，本公开提供了一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述的方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网；根据预设的性能评估指标预测每个候选子网在目标硬件平台上运行的预估数值；根据预估数值从多个候选子网中筛选目标子网，其中，目标子网在目标硬件平台上运行的预估数值，匹配预先配置的与性能评估指标对应的目标数值范围。可见，本公开实施例通过预先配置的与目标硬件平台关联的性能评估指标对剪枝处理后的多个候选子网进行性能评估，从而找到在目标硬件平台上的运行性能满足预设需求的目标子网。相对于现有技术通过计算量来评估候选子网性能的方式，本申请以直接的硬件评估指标准确筛选出更加适应硬件平台特性的目标子网进行数据处理，从而进一步的提高了网络的运行性能和数据处理效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种神经网络的剪枝处理方法的流程示意图；
图2为本公开实施例提供的另一种神经网络的剪枝处理方法的流程示意图；
图3为本公开实施例提供的一种通道依赖关系示意图；
图4为本公开实施例提供的一种神经网络的剪枝处理装置的结构示意图；
图5为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
为了解决上述问题，本公开实施例提供了一种神经网络的剪枝处理方法，下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的一种神经网络的剪枝处理方法的流程示意图，该方法可以由神经网络的剪枝处理装置执行，其中该装置可以采用软件和/或硬件实现，一般可集成在电子设备中。如图1所示，该方法包括：
步骤101，根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网。
为了保证模型效果，在神经网络中可能存在一定数量的参数冗余，通过剪枝处理，能够在保证神经网络精度的前提下，得到计算资源和存储资源占用更小的神经网络，从而加速神经网络的推理过程，助力神经网络的边缘部署。在相关技术中，采用计算量FLOPS或参数量等评估标准对剪枝后获得的神经网络模型进行评估，但是由于神经网络计算的复杂性或硬件平台底层计算特性不同等原因，计算量FLOPS或参数量更小的神经网络模型不一定在硬件平台上的运行速度更快，因而计算量FLOPS或参数量这类间接指标对神经网络模型的评估准确性不足，在本实施例中，提高了对神经网络评估的准确性，具体包括：
本实施例中，初始神经网络为需要进行剪枝处理的神经网络模型，该初始神经网络可以根据应用场景进行设定，本实施例不做限制，例如，可以根据应用场景的样本数据训练神经网络的参数获得初始神经网络，进而能够根据获得的初始神经网络对输入数据进行处理得到输出数据，其中，输入数据包括多媒体数据、音频数据、视频数据、图像数据中的一种或者多种组合。
在本实施例中，根据预设的剪枝压缩指标对该初始神经网络进行剪枝处理，获得多个候选子网。预设的剪枝压缩指标可以包括剪枝计算量压缩指标，或者，剪枝参数量压缩指标。其中，根据预设的剪枝压缩指标对初始神经网络进行剪枝处理的方法有多种，本实施例不作限制，例如：可以根据剪枝压缩指标对初始神经网络中的一层或多层进行剪枝处理，或者，在多个周期内对初始神经网络进行迭代剪枝处理，直至剪枝之后的初始神经网络达到剪枝压缩指标。
步骤102，根据预设的性能评估指标预测每个候选子网在目标硬件平台上运行的预估数值。
由于硬件平台底层的计算特性不同，同一个神经网络模型在不同的硬件平台上的运行性能可能不同，例如，若图形处理器GPU针对某特定算法进行了优化，该GPU在运行该特定算法时，性能指标会更优。在本实施例中，根据运行剪枝之后神经网络模型的硬件环境，确定目标硬件平台，从而根据预设的性能评估指标预测每个候选子网在该目标硬件平台上运行的预估数值。
其中，性能评估指标可以为直接表征候选子网在目标硬件平台上的运行性能的直接指标，例如，该性能评估指标可以包括：速度、延时、功耗、内存占用中的一个，或，多个的组合。
在本实施例中，确定预估数值的方法有多种，可以根据应用场景进行选择，本实施例不做限制，示例说明如下：
一种可选的实施方式中，可以将候选子网在目标硬件平台上运行，根据预设的性能评估指标对该运行过程进行检测，进而基于检测结果确定各项预估数值。
另一种可选的实施方式中，可以根据性能评估指标确定对应的评估网络，从而基于评估网络获取对应的预估数值，以性能评估指标包括速度评估指标，或者功耗评估指标为例，示例说明如下：
若性能评估指标包括速度评估指标，根据速度评估网络对每个候选子网进行编码处理，获取每个候选子网在目标硬件平台上的运行速度，其中，速度评估网络是根据目标硬件平台的样本网络和对应速度的数据集训练生成的，具体说明如下：
在本实施例中，可以在目标硬件平台上运行样本网络并记录样本网络对应的速度，从而获取针对该目标硬件平台的样本网络和对应速度的训练集，进而基于该训练集对神经网络模型进行训练，获得针对该目标硬件平台的速度评估网络，获得速度评估网络之后，可以根据该速度评估网络的输入数据的格式对每个候选子网进行编码处理，将每个候选子网对应的编码输入速度评估网络，从而获得每个候选子网在目标硬件平台上的运行速度。
以速度评估网络为经过训练的SENet(Squeeze-and-Excitation Networks)模型为例，对候选子网进行编码处理获得的编码信息中包括：候选子网中每一层的计算的详细配置，和整网输入大小，将该编码信息输入到经过训练的SENet模型中，获得对应的运行速度。
若性能评估指标包括功耗评估指标，根据功耗评估网络对每个候选子网进行编码处理，获取每个候选子网在目标硬件平台上的运行功耗，其中，功耗评估网络是根据目标硬件平台的样本网络和对应功耗的数据集训练生成的，具体说明如下：
在本实施例中，可以在目标硬件平台上运行样本网络并记录样本网络对应的功耗，从而获取针对该目标硬件平台的样本网络和对应功耗的训练集，进而基于该训练集对神经网络模型进行训练，获得针对该目标硬件平台的功耗评估网络，获得功耗评估网络之后，可以根据该功耗评估网络的输入数据的格式对每个候选子网进行编码处理，将每个候选子网对应的编码输入功耗评估网络，从而获得每个候选子网在目标硬件平台上的运行功耗。
以功耗评估网络为经过训练的深度补全神经网络PENet模型为例，对候选子网进行编码处理获得的编码信息中包括：候选子网中每一层的计算的详细配置和整网输入大小，将该编码信息输入到经过训练的PENet模型中，获得对应的运行功耗。
步骤103，根据预估数值从多个候选子网中筛选目标子网，其中，目标子网在目标硬件平台上运行的预估数值，匹配预先配置的与性能评估指标对应的目标数值范围。
获得候选子网对应的预估数值之后，可以根据该预估数值对候选子网进行筛选，进而从多个候选子网中确定目标子网。目标子网在目标硬件平台上运行的预估数值需要满足预先配置的与性能评估指标相对应的目标数值范围。需要说明的是，确定该目标子网的方法有多种，本实施例不做限制，示例说明如下：
一种可选的实施方式中，若预估数值包括运行速度、运行功耗、内存占用等多个维度的数据，且满足目标数值范围的候选子网有多个，则可以确定该多个候选子网中运行速度最佳的为目标子网。
另一种可选的实施方式中，可以从多个候选子网中确定预估性能综合值最佳的第一候选子网，判断当前第一候选子网是否满足目标数值范围，若不满足目标数值范围，基于当前第一候选子网进一步进行剪枝处理，若满足目标数值范围，确定当前第一候选子网为目标子网。
综上，根据本公开实施例的神经网络的剪枝处理方法，根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网；根据预设的性能评估指标预测每个候选子网在目标硬件平台上运行的预估数值；根据预估数值从多个候选子网中筛选目标子网，其中，目标子网在目标硬件平台上运行的预估数值，匹配预先配置的与性能评估指标对应的目标数值范围。可见，本公开实施例通过预先配置的与目标硬件平台关联的性能评估指标对剪枝处理后的多个候选子网进行性能评估，从而找到在目标硬件平台上的运行性能满足预设需求的目标子网。相对于现有技术通过计算量来评估候选子网性能的方式，本申请以直接的硬件评估指标准确筛选出更加适应硬件平台特性的目标子网进行数据处理，从而进一步的提高了网络的运行性能和数据处理效率。
图2为本公开实施例提供的另一种神经网络的剪枝处理方法的流程示意图，如图2所示，该方法包括以下步骤：
步骤201，根据预设的起始剪枝率和当前周期的剪枝增长率，获取当前周期的剪枝压缩指标。
在本实施例中，通过一个或多个周期的剪枝处理，使得剪枝率逐渐增长。具体的，可以预设起始剪枝率以及每个周期的剪枝增长率，以当前周期进行的剪枝处理操作为例，当进行当前周期的剪枝操作时，可以在起始剪枝率的基础上累加当前周期以及当前周期之前的剪枝增长率，将累加结果确定为当前周期的剪枝压缩指标。
其中，起始剪枝率以及每个周期的剪枝增长率可以根据应用场景进行设置，本实施例不做限制，例如，可以将起始剪枝率预设为0，将每个周期的剪枝增长率设置为相同的数值，如：5％。
步骤202，根据当前周期的剪枝压缩指标对初始神经网络中的至少一个卷积层进行剪枝处理，获取多个候选子网。
一种可选的实施方式中，可以根据当前周期的剪枝压缩指标，计算初始神经网络中各卷积层对应的剪枝率，根据各卷积层对应的剪枝率对初始神经网络进行剪枝处理，获得候选子网。其中，根据当前周期剪枝压缩指标确定的各卷积层与剪枝率的对应关系有多种，因而能够获得多个候选子网。
另一种可选的实施方式中，为了降低进行剪枝处理的运算难度，并且提高剪枝效率，在当前周期可以针对每个卷积层单独进行剪枝处理，具体包括：
步骤a1，根据当前周期的剪枝压缩指标，以及初始神经网络中每个卷积层的参数配置，计算与每个卷积层对应的剪枝单元集合，其中，每个卷积层对应的剪枝单元集合均满足当前周期的剪枝压缩指标。
在本实施例中，在当前周期对初始神经网络中的一个卷积层进行剪枝，并且针对该卷积层进行的剪枝能够满足当前周期的剪枝压缩指标。具体地，在本实施例中，初始神经网络中各卷积层的参数配置可以剪枝算法进行相应调整，本实施例不作限制，例如，若剪枝算法为ConvertFlopsOrParamsToFilters算法，该卷积层的参数配置可以包括：输入特征图的维度、输出特征图的维度和卷积核的维度。进而，根据每个卷积层的参数配置以及当前周期的剪枝压缩指标，计算获得对应的剪枝单元集合。
以初始神经网络的第L层说明上述ConvertFlopsOrParamsToFilters剪枝算法，假设初始神经网络的第L层的输入特征图维度为(C1,H1,W1)，卷积核的维度为(O1,C1,L,L)，输出特征图维度为(O1,H2,W2)，其中，输出特征图中的H2、W2，可以根据卷积核的大小、步长等信息结合输入特征图的大小计算获得。并且对于第L层的下一层，第L+1层而言，第L+1层的输入特征图维度为(O1,H2,W2)，卷积核的维度为(O2,O1,L,L)，输出特征图的维度为(O2,H3,W3)。第L层的计算量为Flops(L)＝H1×W1×C1×L×L×O1，第L+1层的计算量为Flops(L+1)＝H2×W2×O1×L×L×O2，假设第L层剪枝掉x个卷积核，以达到当前周期的剪枝增长率ΔRi,0，则有：
H1×W1×C1×L×L×(O1-x)+H2×W2×(O1-x)×L×L×O2<＝Flops(L)+Flops(L+1)-ΔRi,0。
求得满足上述公式的最小x，将该最小x作为剪枝掉的卷积核的最小数量，根据该卷积层内最不重要的x个卷积核建立剪枝单元集合。
步骤a2，根据每个卷积层对应的剪枝单元集合，分别对初始神经网络中每个卷积层进行单独的剪枝处理，获取多个候选子网，其中，多个候选子网的数量与初始神经网络的卷积层数量一致。
在本实施例中，每个卷积层存在对应的剪枝单元集合，因而可以分别对每个卷积层进行单独的剪枝处理，从而获得多个候选子网，并且该候选子网的数量与初始神经网络的卷积层数量一致。在对初始神经网络进行剪枝处理时，根据当前进行剪枝处理的卷积层确定剪枝单元集合，根据该剪枝单元集合对当前进行剪枝处理的卷积层进行剪枝，剪枝后获得对应的候选子网，需要说明的是，在本次剪枝处理中，不对当前进行剪枝处理的卷积层之外的卷积层进行剪枝。
举例而言，若初始神经网络包括A卷积层、B卷积层、C卷积层、D卷积层四个卷积层，可以针对每个卷积层分别进行单独的剪枝处理，从而获得四个候选子网。
需要说明的是，在上述实施例中，为了保证剪枝获得的速度收益，初始神经网络中具有通道依赖关系的卷积层配置的剪枝信息一致。以Conv-1和Conv-2两个卷积层为例，对Conv-1进行结构化剪枝，若该结构化剪枝操作会使Conv-2的输入通道减少，则可以认为Conv-1和Conv-2之间存在通道依赖关系，对于存在通道依赖关系的卷积层，若剪枝掉的卷积核不同，则无法获得实际的速度收益。
图3为本公开实施例提供的一种通道依赖关系示意图，如图3所示，图3中的神经网络包括Conv-1和Conv-2两个卷积层该两个卷积层存在通道依赖关系，一种剪枝方法为对Conv-1中剪枝掉卷积核3和卷积核4，Conv-2中剪枝掉卷积核1和卷积核2，由于Conv-1和Conv-2剪枝掉了不同的卷积核，Conv-1的输出和Conv-2的输出进行加/乘运算时，需要进行通道补零后再相加/相乘，实际的计算量并没有减少。另一种剪枝方法为对Conv-1和Conv-2的剪枝信息一致，这样进行相加/相乘时，无需进行通道补0，从而达到实际减小计算量的效果。
可选的，在获取候选子网之后，还可以对该候选子网进行初步精度恢复训练，若当前周期的剪枝压缩指标值较小，则该初始精度恢复训练的轮数可以较少，通过较少轮数的精度恢复训练可以较好的恢复候选子网的精度，从而能够提升候选子网的性能评估的准确性。
步骤203，根据预设的性能评估指标预测每个候选子网在目标硬件平台上运行的预估数值。
在本实施例中，性能评估指标包括但不限于精度评估指标、速度评估指标、功耗评估指标中的任一个或者多个的组合。并且，在本实施例中，可以基于速度评估网络获取速度评估指标，基于功耗评估网络获取功耗评估指标。
以当前周期的初始神经网络为Neti为例，该Neti具有K层卷积层，起始剪枝率为R0，0，当前周期的剪枝增长率为ΔRi，0，R0，0为起始计算量，ΔRi，0为计算量增长指标，可以计算未进行迭代剪枝处理的初始神经网络Net0的计算量Flops(Net0)，并确定R0，0＝Flops(Net0)。分别对Neti中的每层卷积层进行单独的剪枝处理，获得多个候选子网，以第K层为例，根据Neti中每层的输入特征图的维度、输出特征图的维度、卷积核的大小等信息，根据ConvertFlopsOrParamsToFilters函数，确定剪枝的卷积核的最小数目Nfilterk，基于L1范数的卷积核重要性评估准则，剪掉第K层卷积层中重要性最低的Nfilterk个卷积核，获得候选子网NetSlimk-1。通过速度评估网络、功耗评估网络等计算NetSlimk-1的各项预估数值Resi，j(NetSlimk-1)。
步骤204，将预估数值与目标数值范围进行比较，判断是否存在至少一个满足目标数值范围的预估数值。
在本实施例中，目标数值范围可以根据用户需求、应用场景硬件环境等进行设定，将候选子网的预估数值与该目标数值范围进行比较，若存在预估数值满足目标数值范围，可以从候选子网中确定目标子网；若不存在预估数值满足目标数值范围，可以进行下一周期的剪枝处理。一种可选的实施方式中，可以通过过滤器判断是否存在预估数值满足目标数值范围，
步骤205，如果存在至少一个满足目标数值范围的预估数值，则从多个候选子网中筛选对应满足目标数值范围的至少一个目标候选子网。
在本实施例中，若存在一个或多个满足目标数值范围的预估数值，说明存在候选子网能够通过筛选，则从多个候选子网中筛选满足目标数值范围的一个或多个目标候选子网。
步骤206，根据至少一个目标候选子网筛选目标子网。
若目标候选子网为一个，则可以将该目标候选子网作为目标子网。
若目标候选子网为多个，可以根据用户需求，设置目标子网的确定方法，根据该确定方法从多个目标候选子网中确定目标子网，从而满足用户的在不同应用场景中对于神经网络模型的性能需求。本实施例中，对目标子网的确定方法不作限制，示例说明如下：
一种可选的实施方式中，可以根据目标性能评估指标确定目标子网，具体包括：
首先，从预设的多个性能评估指标中确定目标性能评估指标。在本实施例中，从多个性能评估指标中确定目标性能评估指标的方法有多种，本实施例不作限制，例如，可以选取重要性较高的性能评估指标作为目标性能评估指标。
进一步的，将每个目标候选子网中与目标性能评估指标对应的预估数值进行比较。最后，根据比较结果选择预估数值最高的目标候选子网为目标子网。
针对每个目标候选子网，获取与目标性能评估指标对应的预估数值，通过排序等方法对该预估数值进行比较，将预估数值最高的目标候选子网作为目标子网。例如，可以将运行速度确定为目标性能评估指标，根据运行速度对每个目标候选子网进行排序，取其中运行速度最快的目标候选子网作为目标子网。
另一种可选的实施方式中，可以根据运行精度确定目标子网，具体包括：
首先，预测每个目标候选子网在目标硬件平台的运行精度。在本实施例中，可以使用精度测试样本对运行在目标硬件平台的目标候选子网进行精度测试，获得每个目标候选子网的运行精度。其中，在不同的应用场景中，运行精度可以存在对应的指标，举例而言，若应用场景为超分问题，运行精度可以为峰值信噪比；若应用场景为分类问题，运行精度可以为分类准确率；若应用场景为分割问题，运行精度可以为全类平均正确率。
进而，比较每个目标候选子网在目标硬件平台的运行精度，选择运行精度最高的目标候选子网为目标子网。在本实施例中，可根据每个目标候选子网在目标硬件平台的运行精度，对目标候选子网通过排序等方法进行比较，并选择运行精度最高的目标候选子网作为目标子网。
可选的，在获取目标子网之后，还可以对该目标子网进行充分精度恢复训练。该充分精度训练的轮数可以与对神经网络进行预训练的轮数相近。
继续以当前周期的初始神经网络为Neti为例，经过当前周期的剪枝处理，能够获得K个候选子网，分别为{NetSlim0,...,NetSlimk-1}，并且获得各候选子网对应的预估数值{Resi,j(NetSlim0),...,Resi,j(NetSlimk-1)}，根据各候选子网对应的预估数值，筛选出满足目标数值范围的目标候选子网，并将精度最高的目标候选子网作为目标子网。
步骤207，如果所有的预估数值都不满足目标数值范围，则预测每个候选子网在目标硬件平台的运行精度。
在本实施例中，如果所有的预估数值都不满足目标数值范围，则需要进行下一周期的剪枝处理，可以通过运行精度确定下一周期的初始神经网络。具体地，可以使用精度测试样本对运行在目标硬件平台的每个候选子网进行精度测试，获得每个候选子网的运行精度。
步骤208，比较每个候选子网在目标硬件平台的运行精度，选择运行精度最高的候选子网为下一周期的初始神经网络。
获取候选子网在目标平台的运行精度之后，可以通过排序等方法对每个候选子网在目标硬件平台的运行精度进行比较，根据比较结果，选取运行精度最高的候选子网作为下一周期的初始神经网络。
步骤209，根据预设的下一周期的剪枝增长率对下一周期的初始神经网络进行剪枝处理，获取多个候选子网。
在本实施例中，可以根据预设的各个周期的剪枝增长率，确定下一周期的剪枝增长率，根据该剪枝增长率对获取的下一周期的初始神经网络进行剪枝处理，获取多个候选子网。
其中对下一周期的初始神经网络进行剪枝处理的方法有多种，本实施例不作限制，例如，可以根据下一周期的剪枝压缩指标，以及下一周期的初始神经网络中每个卷积层的参数配置，计算与每个卷积层对应的剪枝单元集合，根据每个卷积层对应的剪枝单元集合，分别对下一周期的初始神经网络中每个卷积层进行单独的剪枝处理，获取多个候选子网。
综上，本公开实施例的神经网络的剪枝处理方法，通过当前周期的剪枝压缩指标对初始神经网络进行迭代剪枝处理，从而逐渐提高了初始神经网络的剪枝率，且在每个周期判断剪枝获得的候选子网中是否包括目标子网，从而避免了过度剪枝，平衡了剪枝率以及剪枝后神经网络的性能。并且根据与目标硬件平台关联的性能评估指标对候选子网进行性能评估，提高了性能评估的精准性，在一些应用场景中，若性能评估指标中包括速度和功耗，还可以基于速度评估网络和功耗评估网络获得候选子网的预估数值，从而降低了进行性能评估的耗时、提高了性能评估的效率。
基于上述实施例中，还可以将目标子网在目标硬件平台运行，对输入数据进行数据处理，具体包括：在目标硬件平台上通过目标子网对输入数据进行数据处理，其中，输入数据包括多媒体数据、音频数据、视频数据、图像数据中的一种或者多种组合。
在本实施例中，该目标子网的应用场景包括但不限于：视频处理、语言识别、图像识别与理解中的任一个。基于目标硬件平台上的预估数值对剪枝处理获得的候选子网进行筛选确定的目标子网，能够较好的适配于在该目标硬件平台上对输入数据进行的数据处理，可以理解地，不同应用场景存在对应的输入数据，该输入数据包括：多媒体数据、音频数据、视频数据、图像数据中的一种或者多种组合。
图4为本公开实施例提供的一种神经网络的剪枝处理装置的结构示意图，该装置可由软件和/或硬件实现，一般可集成在电子设备中。
如图4所示，该装置包括：
获取模块401，用于根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网；
预测模块402，用于根据预设的性能评估指标预测每个所述候选子网在目标硬件平台上运行的预估数值；
筛选模块403，用于根据所述预估数值从所述多个候选子网中筛选目标子网，其中，所述目标子网在所述目标硬件平台上运行的预估数值，匹配预先配置的与所述性能评估指标对应的目标数值范围。
一种可选的实施方式中，所述预设的剪枝压缩指标，包括：
剪枝计算量压缩指标，或者，剪枝参数量压缩指标。
一种可选的实施方式中，所述获取模块401，包括：
第一获取单元，用于根据预设的起始剪枝率和当前周期的剪枝增长率，获取所述当前周期的剪枝压缩指标；
第二获取单元，用于根据所述当前周期的剪枝压缩指标对所述初始神经网络中的至少一个卷积层进行剪枝处理，获取所述多个候选子网。
一种可选的实施方式中，所述第二获取单元，用于：
根据所述当前周期的剪枝压缩指标，以及所述初始神经网络中每个卷积层的参数配置，计算与每个卷积层对应的剪枝单元集合，其中，所述每个卷积层对应的剪枝单元集合均满足所述当前周期的剪枝压缩指标；
根据所述每个卷积层对应的剪枝单元集合，分别对所述初始神经网络中每个卷积层进行单独的剪枝处理，获取所述多个候选子网，其中，所述多个候选子网的数量与所述初始神经网络的卷积层数量一致。
一种可选的实施方式中，所述预设的性能评估指标，包括：
速度、延时、功耗、内存占用中的一个性能评估指标，或，多个性能评估指标的组合。
一种可选的实施方式中，所述预测模块402，用于：
根据速度评估网络对每个所述候选子网进行编码处理，获取每个所述候选子网在所述目标硬件平台上的运行速度，其中，所述速度评估网络是根据所述目标硬件平台的样本网络和对应速度的数据集训练生成的。
一种可选的实施方式中，所述预测模块402，用于：
根据功耗评估网络对每个所述候选子网进行编码处理，获取每个所述候选子网在所述目标硬件平台上的运行功耗，其中，所述功耗评估网络是根据所述目标硬件平台的样本网络和对应功耗的数据集训练生成的。
一种可选的实施方式中，所述筛选模块403，包括：
第一筛选单元，用于将所述预估数值与所述目标数值范围进行比较，如果存在至少一个满足所述目标数值范围的预估数值，则从所述多个候选子网中筛选对应满足所述目标数值范围的至少一个目标候选子网；
第二筛选单元，用于根据所述至少一个目标候选子网筛选所述目标子网。
一种可选的实施方式中，在所述目标候选子网为多个的情况下，所述第二筛选单元，用于：
从预设的多个性能评估指标中确定目标性能评估指标；
将每个所述目标候选子网中与所述目标性能评估指标对应的预估数值进行比较；
根据比较结果选择预估数值最高的目标候选子网为所述目标子网。
一种可选的实施方式中，在所述目标候选子网为多个的情况下，所述第二筛选单元，用于：
预测每个所述目标候选子网在所述目标硬件平台的运行精度；
比较每个所述目标候选子网在所述目标硬件平台的运行精度，选择运行精度最高的目标候选子网为所述目标子网。
一种可选的实施方式中，所述第一筛选单元，还用于：
如果所有的所述预估数值都不满足所述目标数值范围，则预测每个所述候选子网在所述目标硬件平台的运行精度；
比较每个所述候选子网在所述目标硬件平台的运行精度，选择运行精度最高的候选子网为下一周期的初始神经网络；
根据预设的下一周期的剪枝增长率对所述下一周期的初始神经网络进行剪枝处理，获取所述多个候选子网。
一种可选的实施方式中，所述装置还包括：
数据处理模块，用于在所述目标硬件平台上通过所述目标子网对输入数据进行数据处理，其中，所述输入数据包括多媒体数据、音频数据、视频数据、图像数据中的一种或者多种组合。
本公开实施例所提供的神经网络的剪枝处理装置可执行本公开任意实施例所提供的神经网络的剪枝处理方法，具备执行方法相应的功能模块和有益效果。
除了上述方法和装置以外，本公开实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备实现本公开实施例所述的神经网络的剪枝处理方法。
本公开实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现本公开实施例所述的神经网络的剪枝处理方法。
图5为本公开实施例提供的一种电子设备的结构示意图。
下面具体参考图5，其示出了适于用来实现本公开实施例中的电子设备500的结构示意图。本公开实施例中的电子设备500可以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。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
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，其包括承载在非暂态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装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的神经网络的剪枝处理方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读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。在本公开中，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。而在本公开中，计算机可读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介质，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述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：根据预设的性能评估指标预测每个候选子网在目标硬件平台上运行的预估数值；根据预估数值从多个候选子网中筛选目标子网，其中，目标子网在目标硬件平台上运行的预估数值，匹配预先配置的与性能评估指标对应的目标数值范围。可见，本公开实施例通过预先配置的与目标硬件平台关联的性能评估指标对剪枝处理后的多个候选子网进行性能评估，从而找到在目标硬件平台上的运行性能满足预设需求的目标子网。相对于现有技术通过计算量来评估候选子网性能的方式，本申请以直接的硬件评估指标准确筛选出更加适应硬件平台特性的目标子网进行数据处理，从而进一步的提高了网络的运行性能和数据处理效率。
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公开的操作的计算机程序代码，上述程序设计语言包括但不限于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，图示了按照本公开各种实施例的系统、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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，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。
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (16)
1.一种神经网络的剪枝处理方法，其特征在于，包括：
根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网；
根据预设的性能评估指标预测每个所述候选子网在目标硬件平台上运行的预估数值；
根据所述预估数值从所述多个候选子网中筛选目标子网，其中，所述目标子网在所述目标硬件平台上运行的预估数值，匹配预先配置的与所述性能评估指标对应的目标数值范围。
2.根据权利要求1所述的方法，其特征在于，所述预设的剪枝压缩指标，包括：
剪枝计算量压缩指标，或者，剪枝参数量压缩指标。
3.根据权利要求1所述的方法，其特征在于，所述根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网，包括：
根据预设的起始剪枝率和当前周期的剪枝增长率，获取所述当前周期的剪枝压缩指标；
根据所述当前周期的剪枝压缩指标对所述初始神经网络中的至少一个卷积层进行剪枝处理，获取所述多个候选子网。
4.根据权利要求3所述的方法，其特征在于，所述根据所述当前周期的剪枝压缩指标对所述初始神经网络中的至少一个卷积层进行剪枝处理，获取多个候选子网，包括：
根据所述当前周期的剪枝压缩指标，以及所述初始神经网络中每个卷积层的参数配置，计算与每个卷积层对应的剪枝单元集合，其中，所述每个卷积层对应的剪枝单元集合均满足所述当前周期的剪枝压缩指标；
根据所述每个卷积层对应的剪枝单元集合，分别对所述初始神经网络中每个卷积层进行单独的剪枝处理，获取所述多个候选子网，其中，所述多个候选子网的数量与所述初始神经网络的卷积层数量一致。
5.根据权利要求1所述的方法，其特征在于，所述预设的性能评估指标，包括：
速度、延时、功耗、内存占用中的一个性能评估指标，或，多个性能评估指标的组合。
6.根据权利要求1所述的方法，其特征在于，所述根据预设的性能评估指标预测每个所述候选子网在目标硬件平台上运行的预估数值，包括：
根据速度评估网络对每个所述候选子网进行编码处理，获取每个所述候选子网在所述目标硬件平台上的运行速度，其中，所述速度评估网络是根据所述目标硬件平台的样本网络和对应速度的数据集训练生成的。
7.根据权利要求1所述的方法，其特征在于，所述根据预设的性能评估指标预测每个所述候选子网在目标硬件平台上运行的预估数值，包括：
根据功耗评估网络对每个所述候选子网进行编码处理，获取每个所述候选子网在所述目标硬件平台上的运行功耗，其中，所述功耗评估网络是根据所述目标硬件平台的样本网络和对应功耗的数据集训练生成的。
8.根据权利要求1所述的方法，其特征在于，所述根据所述预估数值从所述多个候选子网中筛选目标子网，包括：
将所述预估数值与所述目标数值范围进行比较，如果存在至少一个满足所述目标数值范围的预估数值，则从所述多个候选子网中筛选对应满足所述目标数值范围的至少一个目标候选子网；
根据所述至少一个目标候选子网筛选所述目标子网。
9.根据权利要求8所述的方法，其特征在于，在所述目标候选子网为多个的情况下，所述根据所述至少一个目标候选子网筛选所述目标子网，包括：
从预设的多个性能评估指标中确定目标性能评估指标；
将每个所述目标候选子网中与所述目标性能评估指标对应的预估数值进行比较；
根据比较结果选择预估数值最高的目标候选子网为所述目标子网。
10.根据权利要求8所述的方法，其特征在于，在所述目标候选子网为多个的情况下，所述根据所述至少一个目标候选子网筛选所述目标子网，包括：
预测每个所述目标候选子网在所述目标硬件平台的运行精度；
比较每个所述目标候选子网在所述目标硬件平台的运行精度，选择运行精度最高的目标候选子网为所述目标子网。
11.根据权利要求8所述的方法，其特征在于，在将所述预估数值与所述目标数值范围进行比较之后，还包括：
如果所有的所述预估数值都不满足所述目标数值范围，则预测每个所述候选子网在所述目标硬件平台的运行精度；
比较每个所述候选子网在所述目标硬件平台的运行精度，选择运行精度最高的候选子网为下一周期的初始神经网络；
根据预设的下一周期的剪枝增长率对所述下一周期的初始神经网络进行剪枝处理，获取所述多个候选子网。
12.根据权利要求1-11任一所述的方法，其特征在于，还包括：
在所述目标硬件平台上通过所述目标子网对输入数据进行数据处理，其中，所述输入数据包括多媒体数据、音频数据、视频数据、图像数据中的一种或者多种组合。
13.一种神经网络的剪枝处理装置，其特征在于，所述装置包括：
获取模块，用于根据预设的剪枝压缩指标对初始神经网络进行剪枝处理，获取多个候选子网；
预测模块，用于根据预设的性能评估指标预测每个所述候选子网在目标硬件平台上运行的预估数值；
筛选模块，用于根据所述预估数值从所述多个候选子网中筛选目标子网，其中，所述目标子网在所述目标硬件平台上运行的预估数值，满足预先配置的与所述性能评估指标对应的目标数值范围。
14.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-12中任一项所述的方法。
15.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-12任一项所述的方法。
16.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如权利要求1-12任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210346578.7A CN116933857A (zh) | 2022-03-31 | 2022-03-31 | 神经网络的剪枝处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210346578.7A CN116933857A (zh) | 2022-03-31 | 2022-03-31 | 神经网络的剪枝处理方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116933857A true CN116933857A (zh) | 2023-10-24 |
Family
ID=88388348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210346578.7A Pending CN116933857A (zh) | 2022-03-31 | 2022-03-31 | 神经网络的剪枝处理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933857A (zh) |
-
2022
- 2022-03-31 CN CN202210346578.7A patent/CN116933857A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476309B (zh) | 图像处理方法、模型训练方法、装置、设备及可读介质 | |
| CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
| CN113436620B (zh) | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 | |
| CN113327599B (zh) | 语音识别方法、装置、介质及电子设备 | |
| CN113449851A (zh) | 数据处理方法及设备 | |
| CN109359727B (zh) | 神经网络的结构确定方法、装置、设备及可读介质 | |
| CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
| CN110555861A (zh) | 光流计算方法、装置及电子设备 | |
| CN112561779B (zh) | 图像风格化处理方法、装置、设备及存储介质 | |
| CN110378936B (zh) | 光流计算方法、装置及电子设备 | |
| CN115937020B (zh) | 图像处理方法、装置、设备、介质和程序产品 | |
| CN116090543A (zh) | 模型压缩方法及装置、计算机可读介质和电子设备 | |
| CN116306981A (zh) | 策略确定方法、装置、介质及电子设备 | |
| CN113610228B (zh) | 神经网络模型的构建方法及装置 | |
| CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
| CN113435528B (zh) | 对象分类的方法、装置、可读介质和电子设备 | |
| CN116933857A (zh) | 神经网络的剪枝处理方法、装置、设备及介质 | |
| CN110704679A (zh) | 视频分类方法、装置及电子设备 | |
| CN113033680B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN116502694A (zh) | 神经网络的剪枝处理方法、装置、设备及介质 | |
| CN111582482B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
| CN117114073A (zh) | 数据处理方法、装置、设备及介质 | |
| CN116028819A (zh) | 模型量化训练方法、装置、设备及存储介质 | |
| CN116502693A (zh) | 神经网络的剪枝处理方法、装置、设备及介质 | |
| CN111612137A (zh) | 基于软阈值三值化参数的卷积神经网络优化方法、系统 |
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 |