想要調(diào)整你的神經(jīng)網(wǎng)絡(luò)來完成特定任務(wù)？這件事并沒有想象中那么簡單。

深度神經(jīng)網(wǎng)絡(luò)（DNN）是塊好磚，不過想要搬動它，需要耗費的計算資源和時間成本可能非常昂貴。

現(xiàn)在，Google AI放出了MorphNet。他們用流行的圖像分類神經(jīng)網(wǎng)絡(luò)Inception V2對其進行測試之后發(fā)現(xiàn)，在不犧牲精度的情況下，神經(jīng)網(wǎng)絡(luò)變得更快更小，算力消耗還減少了！

MorphNet是什么

MorphNet是一種神經(jīng)網(wǎng)絡(luò)模型優(yōu)化（ refinement）技術(shù)，走的是利用現(xiàn)有架構(gòu)，針對特定任務(wù)優(yōu)化的路線。

也就是說這是一個遷移學習問題。遷移學習的難點在于找出不變量，模型需要處理許多與此前訓練的任務(wù)目標相近，但又不完全一樣的任務(wù)，這會使模型性能大打折扣甚至崩潰。

而MorphNet的成功之處在于，只要將針對類似問題構(gòu)建的神經(jīng)網(wǎng)絡(luò)作為輸入，就能為新任務(wù)創(chuàng)造更小、更快、更合身的新架構(gòu)。

MorphNet通過循環(huán)收縮和擴展兩個階段來優(yōu)化神經(jīng)網(wǎng)絡(luò)。

收縮階段

在收縮階段，MorphNet會識別出低效神經(jīng)元，并運用稀疏正則化器來修剪它們。

需要說明的是MorphNet會在考慮目標資源的情況下來計算一個神經(jīng)元的損失，因此在訓練過程之中，優(yōu)化器能夠意識到資源損失，從而認識到哪些神經(jīng)元是高效的，哪些又是可以被移除的。

有些不明白？那么來看看下面這個例子，看MorphNet是如何計算神經(jīng)網(wǎng)絡(luò)的計算成本（如FLOPs，即每秒浮點運算次數(shù)）的：

假設(shè)一個表示為矩陣乘法的神經(jīng)網(wǎng)絡(luò)層，該層具有 2 個輸入（Xn），6 個權(quán)重（a, b, …, f）以及 3 個輸出（Yn；神經(jīng)元）。也就是說評估這一層需要 6 次乘法。

MorphNet將乘法數(shù)視作輸入數(shù)和輸出數(shù)的乘積。在左側(cè)的示例當中，雖然有兩個權(quán)重為0，進行評估時仍然需要執(zhí)行所有的乘法。但中間的示例顯示了結(jié)構(gòu)的稀疏性，MorphNet能夠識別它的輸出數(shù)為 2，并且該層的乘法數(shù)從 6 減少到了4。按照這個想法，MorphNet可以確定網(wǎng)絡(luò)中每一個神經(jīng)元的增量成本，以產(chǎn)生右側(cè)這樣更為有效的模型。

擴展階段

在擴展階段，MorphNet使用寬度乘數(shù)來均勻地擴展所有層的大小。

舉個例子，如果擴展50%，那么對于低效層來說，神經(jīng)元從 100 個收縮到 10 個之后，只會重新擴展到15個；而對于重要層來說，神經(jīng)元只會從 100 個收縮到 80 個，重新擴展后則可能達到 120 個，并且獲得更多可支配的資源。

也就是說，MorphNet的最終效果是將計算資源從網(wǎng)絡(luò)中效率低的部分重新分配到效率高的部分。

△ MorphNet優(yōu)化AI模型

效果怎么樣

Google AI團隊用MorphNet對Inception V2網(wǎng)絡(luò)模型進行了訓練。

△ 圖片截自論文MorphNet論文

基線方法是使用寬度乘數(shù)，通過均勻縮小每個卷積的輸出數(shù)量來權(quán)衡精度和算力消耗（紅色）。

MorphNet方法則直接以算力消耗為目標，在收縮模型時生成更好的權(quán)衡曲線（藍色）。

在同等精度之下，MorphNet方法將算力消耗降低了11%到15%。

在對Inception V2的優(yōu)化上MorphNet表現(xiàn)出色，對于其他的網(wǎng)絡(luò)模型，MorphNet也同樣好用。

△ 圖片截自論文MorphNet論文

既成功壓縮了模型尺寸/ FLOPs，在質(zhì)量上又幾乎沒有損失，果然Google出品，必屬精品。

這么好用的東西，Google已經(jīng)自己用起來了。Google AI團隊表示，MorphNet已應用于Google多個生產(chǎn)規(guī)模的圖像處理模型。

傳送門

MorphNet現(xiàn)已開源。

GitHub地址：

https://github.com/google-research/morph-net

論文地址：

https://arxiv.org/pdf/1711.06798.pdf