MLPerf競(jìng)賽由圖靈獎(jiǎng)得主大衛(wèi)·帕特森（David?Patterson）聯(lián)合谷歌、斯坦福、哈佛大學(xué)等單位共同成立，是國(guó)際上最有影響力的人工智能基準(zhǔn)測(cè)試之一。

在MLPerf V0.7推理競(jìng)賽開放賽道中，浪潮信息通過模型壓縮優(yōu)化算法取得性能大幅提升，將ResNet50的計(jì)算量壓縮至原模型的37.5%，壓縮優(yōu)化后的ResNet50推理速度相比優(yōu)化前單GPU提升83%，8GPU提升81%，基于浪潮NF5488A5服務(wù)器，每秒最多可以處理549782張圖片，排名世界第一。

本文將重點(diǎn)介紹浪潮在比賽中使用的模型壓縮算法的設(shè)計(jì)思路、實(shí)現(xiàn)方式及效果。

什么是模型壓縮

為了提高識(shí)別準(zhǔn)確率，當(dāng)前深度學(xué)習(xí)模型的規(guī)模越來越大。ResNet50參數(shù)量超過2500萬，計(jì)算量超40億，而Bert參數(shù)量達(dá)到了3億。不管是訓(xùn)練還是推理部署，這對(duì)平臺(tái)的計(jì)算能力和存儲(chǔ)能力都提出了非常高的要求。當(dāng)前深度學(xué)習(xí)已經(jīng)發(fā)展到部署應(yīng)用普及階段，在移動(dòng)端/嵌入式端設(shè)備，計(jì)算/存儲(chǔ)資源是有限的，大模型難以適用。

很多深度神經(jīng)網(wǎng)絡(luò)中存在顯著的冗余，僅僅訓(xùn)練一小部分原來的權(quán)值參數(shù)就有可能達(dá)到和原網(wǎng)絡(luò)相近的性能，甚至超過原網(wǎng)絡(luò)的性能[1]。這給模型壓縮帶來了啟發(fā)。

模型壓縮是通過特定策略降低模型參數(shù)量/計(jì)算量，使其運(yùn)行時(shí)占用更少的計(jì)算資源/內(nèi)存資源，同時(shí)保證模型精度，滿足用戶對(duì)模型計(jì)算空間、存儲(chǔ)空間的需求，從而能夠?qū)⒛Ｐ透玫夭渴鹪谝苿?dòng)端、嵌入式端設(shè)備，讓模型跑得更快、識(shí)別得更準(zhǔn)。

常用模型壓縮方法

模型壓縮有多種實(shí)現(xiàn)方法，目前可分為5大類：

?模型裁剪

實(shí)現(xiàn)方式：對(duì)網(wǎng)絡(luò)中不重要的權(quán)重進(jìn)行修剪，降低參數(shù)量/計(jì)算量。

使用方式：分為非結(jié)構(gòu)化裁剪與結(jié)構(gòu)化裁剪，非結(jié)構(gòu)化裁剪需結(jié)合定制化軟硬件庫，結(jié)構(gòu)化裁剪無軟硬件限制。

?模型量化

實(shí)現(xiàn)方式：以低比特位數(shù)表示網(wǎng)絡(luò)權(quán)重，（如fp16/8bit/4bit/2bit），降低模型的占用空間，進(jìn)行推理加速。

使用方式：需要定制化軟硬件支持，如TensorRT、TVM。

?知識(shí)蒸餾

實(shí)現(xiàn)方式：遷移學(xué)習(xí)的一種，用訓(xùn)練好的“教師”網(wǎng)絡(luò)去指導(dǎo)另一個(gè)“學(xué)生”網(wǎng)絡(luò)訓(xùn)練。

使用方式：大模型輔助小模型訓(xùn)練來幫助小模型提升。

?精度緊湊網(wǎng)絡(luò)

實(shí)現(xiàn)方式：設(shè)計(jì)新的小模型結(jié)構(gòu)，如MobileNet、ShuffleNet。

?低秩分解

實(shí)現(xiàn)方式：將原來大的權(quán)重矩陣分解成多個(gè)小的矩陣。

使用方式：現(xiàn)在模型多以1x1為主，低秩分解難以壓縮，目前已不太適用。

上述幾種模型壓縮技術(shù)中，模型量化對(duì)推理部署軟硬件的要求較高，知識(shí)蒸餾一般用來輔助提高精度，緊湊網(wǎng)絡(luò)模型結(jié)構(gòu)相對(duì)固定，低秩分解不適用目前主流模型結(jié)構(gòu)。而模型裁剪可以對(duì)模型結(jié)構(gòu)靈活壓縮，滿足用戶對(duì)計(jì)算量/參數(shù)量的需求，且壓縮后的模型仍可保持較高精度，本文將重點(diǎn)介紹模型裁剪方法。

模型裁剪相關(guān)技術(shù)

如前所述，模型裁剪分為非結(jié)構(gòu)化裁剪與結(jié)構(gòu)化裁剪。非結(jié)構(gòu)化裁剪是一種細(xì)粒度裁剪，通過裁剪掉某些不重要的神經(jīng)元實(shí)現(xiàn)，優(yōu)點(diǎn)是裁剪力度較大，可將模型壓縮幾十倍，缺點(diǎn)是裁剪后的模型部署需要定制化的軟硬件支持，部署成本較高。而結(jié)構(gòu)化裁剪是一種粗粒度裁剪，一般有channel、filter和shape級(jí)別的裁剪，這種方法裁剪力度雖然不像非結(jié)構(gòu)化裁剪力度那么大，但好處是裁剪后的模型不受軟硬件的限制，可以靈活部署，是近幾年模型壓縮領(lǐng)域研究者/公司的研究熱點(diǎn)。本文我們重點(diǎn)研究結(jié)構(gòu)化裁剪。

結(jié)構(gòu)化模型裁剪近幾年涌現(xiàn)很多優(yōu)秀論文，壓縮成績(jī)不斷被刷新，壓縮技術(shù)從手動(dòng)化結(jié)構(gòu)裁剪進(jìn)化到基于AutoML的自動(dòng)化結(jié)構(gòu)化裁剪。以下是幾種代表性的方法：

將訓(xùn)練好的模型進(jìn)行通道剪枝（channel pruning）[2]。通過迭代兩步操作進(jìn)行：第一步是channel selection，采用LASSO regression來做；第二步是reconstruction，基于linear least squares來約束剪枝后輸出的feature map盡可能和減枝前的輸出feature map相等。

麻省理工學(xué)院韓松團(tuán)隊(duì)提出了一種模型壓縮方法[3]，其核心思想是使用強(qiáng)化學(xué)習(xí)技術(shù)來實(shí)現(xiàn)自動(dòng)化壓縮模型。它不是對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的路徑搜索，而是采用強(qiáng)化學(xué)習(xí)中的DDPG（深度確定性策略梯度法）來產(chǎn)生連續(xù)空間上的具體壓縮比率。

基于元學(xué)習(xí)的自動(dòng)化裁剪方法[4]，分三步實(shí)現(xiàn)：首先生成元網(wǎng)絡(luò)進(jìn)行權(quán)重預(yù)測(cè)；然后基于元網(wǎng)絡(luò)利用遺傳進(jìn)化算法進(jìn)行裁剪模型結(jié)構(gòu)搜索；最后篩選出符合要求的裁剪模型結(jié)構(gòu)，對(duì)候選模型進(jìn)行訓(xùn)練。

對(duì)ResNet50模型的壓縮優(yōu)化

我們選擇Resnet50進(jìn)行模型壓縮。從MLPerf競(jìng)賽開始至2022年，而Resnet50始終是圖像分類任務(wù)的基準(zhǔn)模型，是計(jì)算機(jī)視覺領(lǐng)域模型的典型代表。

在裁剪方法的選擇上，我們采用基于AutoML的自動(dòng)化裁剪方法。該方法的優(yōu)勢(shì)是可以靈活定義搜索空間，從而靈活裁剪出所需要的任何模型結(jié)構(gòu)。

Resnet50的裁剪要求可概括為“快且準(zhǔn)”，實(shí)現(xiàn)方法分以下三步：

? 第一，與MetaPruning類似，首先生成一個(gè)“超網(wǎng)絡(luò)”，為后續(xù)搜索出的裁剪模型生成權(quán)重及預(yù)測(cè)精度。

?第二，優(yōu)化搜索空間。自動(dòng)化模型裁剪方法會(huì)基于特定方法對(duì)裁剪模型進(jìn)行搜索，搜索方法與搜索效率直接影響到目標(biāo)模型的質(zhì)量，我們對(duì)模型裁剪的搜索空間與搜索方法進(jìn)行了深度優(yōu)化。這一步是搜索出符合預(yù)期的最優(yōu)裁剪模型結(jié)構(gòu)的關(guān)鍵，也是對(duì)Resnet50模型裁剪優(yōu)化的關(guān)鍵技術(shù)點(diǎn)。

傳統(tǒng)方法在裁剪時(shí)一般以模型的計(jì)算量/參數(shù)量為裁剪指標(biāo)，比如需要將參數(shù)量/計(jì)算量裁剪掉多少，但是我們對(duì)裁剪的終極目標(biāo)之一是在推理部署時(shí)降低延遲，也就是快且準(zhǔn)中的“快”。而單純降低模型參數(shù)量/計(jì)算量并不代表一定能帶來模型性能提升，需要考慮裁剪后模型計(jì)算強(qiáng)度與平臺(tái)計(jì)算強(qiáng)度的關(guān)系，參考roofline model理論。

圖1 Roofline model示意圖▲

圖1為roofline model示意圖，roofline model展示了模型在計(jì)算平臺(tái)的限制下能達(dá)到多快的計(jì)算速度，使用計(jì)算強(qiáng)度進(jìn)行定量分析。當(dāng)模型計(jì)算強(qiáng)度小于平臺(tái)計(jì)算強(qiáng)度（紅色區(qū)域），模型處于內(nèi)存受限狀態(tài)，模型性能＜計(jì)算平臺(tái)理論性能，性能提升＜計(jì)算量減少；當(dāng)模型計(jì)算強(qiáng)度大于平臺(tái)計(jì)算強(qiáng)度（綠色區(qū)域），模型處于計(jì)算受限狀態(tài)，模型性能約等于計(jì)算平臺(tái)理論性能，性能提升接近計(jì)算量減少。

同時(shí)我們研究發(fā)現(xiàn)，某些情況下，單純減少channel不一定會(huì)帶來模型性能提升甚至可能會(huì)降低模型性能，另外，裁剪后模型的推理性能因目標(biāo)運(yùn)行設(shè)備不同存在差異。也就是說單純裁剪channel不一定會(huì)帶來性能提升，甚至有可能會(huì)適得其反，裁剪后模型的實(shí)際性能與部署的目標(biāo)設(shè)備相關(guān)，平臺(tái)計(jì)算特性和模型結(jié)構(gòu)特點(diǎn)緊密相關(guān)。

基于以上研究，我們對(duì)裁剪模型的搜索空間做了重點(diǎn)優(yōu)化，提出了基于性能感知的模型裁剪優(yōu)化方法。在對(duì)裁剪模型結(jié)構(gòu)進(jìn)行搜索時(shí)，除了考慮裁剪后模型的規(guī)模如計(jì)算量/參數(shù)量（FLOPS/Params），同時(shí)考慮不同模型結(jié)構(gòu)（channel/shape/layers）基于設(shè)備平臺(tái)的真實(shí)性能表現(xiàn)，也就是裁剪模型在推理部署平臺(tái)上的的推理延遲時(shí)間(latency)。具體做法如下：

由于單純的計(jì)算量/參數(shù)量并不能反映模型在計(jì)算平臺(tái)上的真實(shí)性能，我們首先將不同的模型結(jié)構(gòu)在計(jì)算平臺(tái)進(jìn)行性能測(cè)試，決定模型的哪些層的channel需要多裁，哪些層的channel需要少裁，裁掉哪些層對(duì)實(shí)際性能提升效果最好。我們對(duì)resnet50的模型結(jié)構(gòu)特點(diǎn)進(jìn)行了研究。圖2為resnet50模型[5]結(jié)構(gòu)圖，該模型結(jié)構(gòu)分為5個(gè)conv模塊,conv1是一個(gè)7x7卷積，conv2-conv5都是由bottleneck組成，分別包含3/4/6/3個(gè)bottleneck。

圖2 resnet50模型結(jié)構(gòu)▲

以bottleneck為基本測(cè)試單位，模型推理測(cè)試平臺(tái)選擇tensorrt，對(duì)于每一個(gè)bottleneck，改變他們的輸入輸出channel個(gè)數(shù)，測(cè)試其在tensorrt上的推理性能表現(xiàn)，得到了每一個(gè)bottleneck在不同的輸入輸出channel下的實(shí)際性能表現(xiàn)。圖3展示了實(shí)驗(yàn)中resnet50第三個(gè)stage的第6個(gè)bottleneck在不同的輸出channel個(gè)數(shù)下，在tensorrt上測(cè)試的推理性能。

圖3 resnet50conv3_bottleneck6基于tensorrt的推理延遲▲

由圖3結(jié)果可以看出，該模型結(jié)構(gòu)下測(cè)得的推理延遲時(shí)間并不會(huì)隨著channel個(gè)數(shù)的增加而線性增長(zhǎng)，推理時(shí)間與channel個(gè)數(shù)呈現(xiàn)出階梯狀關(guān)系（如當(dāng)32＜channel個(gè)數(shù)≤64時(shí)，推理性能持平）。該實(shí)驗(yàn)結(jié)果帶來的啟發(fā)是，在對(duì)模型進(jìn)行裁剪時(shí)，我們選擇保留階梯線右側(cè)邊緣的channel個(gè)數(shù)，這樣既能保證推理性能又能盡可能保證模型本身的channel個(gè)數(shù)；

在對(duì)裁剪模型進(jìn)行自動(dòng)化搜索時(shí)，除了基于計(jì)算量/參數(shù)量參考指標(biāo)，提出了以延遲為優(yōu)化目標(biāo)的自動(dòng)化模型裁剪方法。將基于性能感知的約束條件添加到裁剪模型搜索空間，在對(duì)裁剪模型進(jìn)行搜索時(shí)，可同時(shí)滿足對(duì)計(jì)算量/參數(shù)量/延遲的多重要求，盡可能保證裁剪后的模型在推理部署階段最大限度地降低延遲。在裁剪模型搜索階段，我們的優(yōu)化代碼第一階段首先會(huì)指定裁剪模型的計(jì)算量/參數(shù)量，通過計(jì)算量/參數(shù)量的設(shè)定去搜索符合條件的裁剪模型。在裁剪模型的搜索空間中，每一層channel個(gè)數(shù)的設(shè)定會(huì)參考（1）中的測(cè)試結(jié)果。第二階段在搜索出的候選裁剪模型中，計(jì)算每個(gè)候選裁剪模型在目標(biāo)推理平臺(tái)上的推理耗時(shí)，篩選出推理耗時(shí)最小的模型為我們的目標(biāo)裁剪模型，從而保證裁剪模型是在計(jì)算量/參數(shù)量/延遲三個(gè)層面搜索出的最優(yōu)結(jié)果。

第三步，裁剪后模型精度恢復(fù)。對(duì)于模型裁剪，大家最關(guān)注的問題是裁剪后的模型是否能恢復(fù)到與裁剪前相近的精度，也就是快且準(zhǔn)中的“準(zhǔn)”。一般的模型裁剪方法是將模型裁剪之后進(jìn)行finetune或者一邊裁剪一邊訓(xùn)練，而通過我們的實(shí)驗(yàn)發(fā)現(xiàn)通過裁剪算法得到的壓縮模型，直接隨機(jī)初始化訓(xùn)練（Training from scratch）得到的模型精度，反而比基于原模型權(quán)重finetune效果更好，Training from scratch可以更多去探索稀疏化模型的表達(dá)空間，所以我們對(duì)于裁剪后的模型采用Training from scratch的訓(xùn)練方式。同時(shí)，為了盡可能恢復(fù)裁剪后模型的精度，我們結(jié)合蒸餾訓(xùn)練，用大模型去指導(dǎo)裁剪后的小模型訓(xùn)練，在精度保持上取得了非常好的效果。

表1是我們裁剪并訓(xùn)練出的一些模型，將Resnet50計(jì)算量裁剪到原來的50%、37.5%時(shí)，仍然可以保持76%以上的TOP1精度：

表1模型規(guī)模與對(duì)應(yīng)精度▲

基于浪潮NF5488A5平臺(tái)，未經(jīng)過壓縮優(yōu)化的Resnet50推理性能如表2：

表2 壓縮前的Resnet50基于NF5488A5的性能▲

而經(jīng)過壓縮優(yōu)化后，Resnet50在開放賽道的性能如表3：

表3 壓縮后的Resnet50基于NF5488A5的性能▲

綜上，在MLPerf推理V0.7競(jìng)賽開放賽道中，基于壓縮優(yōu)化算法，我們將ResNet50計(jì)算量壓縮到原來的37.5%，壓縮優(yōu)化后的ResNet50模型單GPU推理速度相比壓縮優(yōu)化前提升83%，8GPU推理速度相比壓縮優(yōu)化前提升81%。基于浪潮NF5488A5服務(wù)器，單卡每秒可處理68994張圖片，8卡每秒可以處理549782張圖片，這個(gè)成績(jī)?cè)诋?dāng)時(shí)參賽結(jié)果中排名第一。