你還在為神經(jīng)網(wǎng)絡模型里的冗余信息煩惱嗎？

或者手上只有CPU，對一些只能用昂貴的GPU建立的深度學習模型“望眼欲穿”嗎？

最近，創(chuàng)業(yè)公司Neural Magic帶來了一種名叫新的稀疏化方法，可以幫你解決煩惱，讓你的深度學習模型效率“一節(jié)更比七節(jié)強”！

Neural Magic是專門研究深度學習的稀疏方法的公司，這次他們發(fā)布了教程：用recipe稀疏化YOLOv3。

聽起來有點意思啊，讓我們來看看是怎么實現(xiàn)的~

稀疏化的YOLOv3

稀疏化的YOLOv3使用剪枝（prune）和量化（quantize）等算法，可以刪除神經(jīng)網(wǎng)絡中的冗余信息。

這種稀疏化方法的好處可不少。

它的推斷速度更快，文件更小。

但是因為過程太復雜，涉及的超參數(shù)又太多，很多人都不太關(guān)心這種方法。

Neural Magic的ML團隊針對必要的超參數(shù)和指令，創(chuàng)建了可以自主編碼的recipe。

各種不同條件下的recipe構(gòu)成了一種可以滿足客戶各類需求的框架。

這樣就可以建立高度精確的pruned或pruned quantized的YOLOv3模型，從而簡化流程。

那這種稀疏化方法的靈感來源是什么呢？

其實，Neural Magic 的 Deep Sparse（深度稀疏）架構(gòu)的主要靈感，是在產(chǎn)品硬件上模仿大腦的計算方式。

它通過利用 CPU 的大型快速緩存和大型內(nèi)存，將神經(jīng)網(wǎng)絡稀疏性與通信局部性相結(jié)合，實現(xiàn)效率提升。

教程概況

本教程目錄主要包括三大模塊：

創(chuàng)建一個預訓練的模型

應用Recipe

導出推理教程的這些recipe可以幫助用戶在Ultralytics強大的訓練平臺上，使用稀疏深度學習的recipe驅(qū)動的方法插入數(shù)據(jù)。

教程中列出的示例均在VOC數(shù)據(jù)集上執(zhí)行，所有結(jié)果也可通過“權(quán)重和偏差”項目公開獲得（地址見參考鏈接4）。

調(diào)試結(jié)果展示

研究團隊給出了稀疏YOLOv3目標檢測模型在Deep Sparse引擎和PyTorch上的運行情況。

這段視頻以波士頓著名地標為特色，在Neural Magic的誕生地——MIT的校園取景。

同樣的條件下，在Deep Sparse引擎上比PyTorch上效率會更高。

遇到的常見問題

如果用戶的硬件不支持量化網(wǎng)絡來推理加速，或者對完全恢復的要求非常高，官方建議使用pruned或pruned short 的recipe。

如果用戶的硬件可以支持量化網(wǎng)絡，如CPU 上的 VNNI 指令集，官方建議使用pruned quantized或pruned quantized short的recipe。

所以使用哪一種recipe，取決于用戶愿意花多長時間訓練數(shù)據(jù)，以及對完全恢復的要求。

具體要比較這幾種recipe的話，可以參考下表。

網(wǎng)友：這個框架會比傳統(tǒng)的機器學習框架pytorch好嗎？

既然給出了和pytorch的比較視頻，就有網(wǎng)友發(fā)問了：

Neural Magic也使用python嗎？為什么一個比另一個快10倍以上？我不相信像pytorch這樣傳統(tǒng)的機器學習框架不會得到優(yōu)化。兩種模型的實現(xiàn)是否相同？

公司官方人員也下場解釋了：

我們擁有專利技術(shù)，可以通過減少計算和內(nèi)存移動來使稀疏網(wǎng)絡在CPU上更高效的運行。

雖然傳統(tǒng)的ML框架也能很好地實現(xiàn)簡單而高效的訓練過程。

但是，多加入一些優(yōu)化的推理，可以實現(xiàn)更多的性能，尤其是在CPU上更明顯。

看來，有了以上強大的YOLOv3 模型工具和教程，用戶就可以在CPU上，以最小化的占用空間和GPU的速度來運行深度學習模型。

這樣有用的教程，你還在等什么？

希望教程能對大家有所幫助，歡迎在評論區(qū)分享交流訓練模型經(jīng)驗~

最后介紹一下Neural Magic，有興趣的朋友可以去了解一下。

Neural Magic是一家什么樣的公司？

Neural Magic成立在馬薩諸塞州的劍橋。

創(chuàng)始人Nir Shavit和Alexander Matveev在MIT繪制大腦中的神經(jīng)連接圖時，一直覺得GPU有許多限制。

因此他們停下來問自己兩個簡單的問題：

為什么深度學習需要GPU等專用硬件？

有什么更好的方法嗎？

畢竟，人腦可以通過廣泛使用稀疏性來減少神經(jīng)網(wǎng)絡，而不是添加FLOPS來匹配神經(jīng)網(wǎng)絡，從而滿足神經(jīng)網(wǎng)絡的計算需求。

基于這種觀察和多年的多核計算經(jīng)驗，他們采用了稀疏和量化深度學習網(wǎng)絡的技術(shù)，并使其能夠以GPU的速度或更高的速度在商用CPU上運行。

這樣，數(shù)據(jù)科學家在模型設(shè)計和輸入大小上就不需要再做妥協(xié)，也沒必要用稀缺且昂貴的GPU資源。

Brian Stevens

Neural Magic的CEO，Red Hat和Google Cloud的前CTO。

Nir Shavit

Neural Magic聯(lián)合創(chuàng)始人。

麻省理工學院教授，他目前的研究涉及為多處理器設(shè)計可伸縮軟件的技術(shù)，尤其是多核計算機的并發(fā)數(shù)據(jù)結(jié)構(gòu)。

Alexander Matveev

Neural Magic首席技術(shù)官兼聯(lián)合創(chuàng)始人。

麻省理工學院前研究科學家，專門研究AI多核算法和系統(tǒng)。

參考鏈接：

［1］https://github.com/neuralmagic/sparseml/blob/main/integrations/ultralytics-yolov3/t2.utorials/sparsifying_yolov3_using_recipes.md

［2］https://neuralmagic.com/blog/sparsifying-yolov3-using-recipes-tutorial/

［3］https://arxiv.org/pdf/1804.02767.pdf

［4］https://wandb.ai/neuralmagic/yolov3-spp-lrelu-voc

編輯：jq