外贸网站开发 河南,网站建设的后如何发布,网站上如何做天气插件,成品网站 修改首页摘要
本次剪枝实战是基于下面这篇论文去复现的#xff0c;主要是实现对BN层的γ/gamma进行剪枝操作#xff0c;本文用到的代码和数据集都可以在我的资源中免费下载到。 相关论文#xff1a;Learning Efficient Convolutional Networks through Network Slimming (ICCV 2017…摘要
本次剪枝实战是基于下面这篇论文去复现的主要是实现对BN层的γ/gamma进行剪枝操作本文用到的代码和数据集都可以在我的资源中免费下载到。 相关论文Learning Efficient Convolutional Networks through Network Slimming (ICCV 2017) 剪枝的原理
在一个卷积-BN-激活模块中BN层可以实现通道的缩放。如下 BN层的具体操作有两部分 在归一化后会进行线性变换那么当系数gamma很小时候对应的激活Zout会相应很小。这些响应很小的输出可以裁剪掉这样就实现了bn层的通道剪枝。
剪枝的过程
第一步、使用VGGNet训练模型。保存训练结果方便将来的比对 第二步、在BN层网络中加入稀疏因子训练模型。 第三步、剪枝操作。 第四步、fine-tune模型提高模型的ACC。
接下来我们一起实现对VGGNet的剪枝。
一、项目结构
Slimming_Demo ├─checkpoints │ ├─vgg │ ├─vgg_pruned │ └─vgg_sp ├─data │ ├─train │ │ ├─Black-grass │ │ ├─Charlock │ │ ├─Cleavers │ │ ├─Common Chickweed │ │ ├─Common wheat │ │ ├─Fat Hen │ │ ├─Loose Silky-bent │ │ ├─Maize │ │ ├─Scentless Mayweed │ │ ├─Shepherds Purse │ │ ├─Small-flowered Cranesbill │ │ └─Sugar beet │ └─val │ ├─Black-grass │ ├─Charlock │ ├─Cleavers │ ├─Common Chickweed │ ├─Common wheat │ ├─Fat Hen │ ├─Loose Silky-bent │ ├─Maize │ ├─Scentless Mayweed │ └─Shepherds Purse ├─vgg.py ├─train.py ├─train_sp.py ├─prune.py └─train_prune.py train.py训练脚本训练VGGNet原始模型 vgg.py模型脚本 train_sp.py稀疏训练脚本。 prune.py模型剪枝脚本。 train_prune.py微调模型脚本。
二、正常训练
首先我们进行正常训练出一个模型用来和剪枝后的模型进行对比。原始模型有67.8M体积非常大。
运行train.py正常训练结果保存为checkpoints/vgg/best.pth
通过Tensorboard工具我们观察到此时的BN层的gamma系数并不稀疏很难判断出各个通道的重要性不利于剪枝 三、稀疏训练
运行train_sp.py稀疏化训练结果保存为checkpoints/vgg_sp/best.pth
使用tensorboard查看runs/路径下保存的log,查看稀疏化训练结果。
可以看到通过稀疏化训练此时的gamma系数已经呈现趋近0的分布我们可以对gamma接近0的channel进行剪枝 核心代码
四、剪枝
有了稀疏化训练的模型我们便可以通过读取checkpoints/vgg_sp/best.pth根据gamma系数来判断网络中各个通道的重要性剪去不重要的通道。
运行prune.py剪枝的结果保存为checkpoints/vgg_pruned/best.pth
查看剪枝后的VGG模型只有3.58M体积非常小剪枝瘦身效果非常明显 五、微调
对模型剪枝后为了恢复模型的性能我们还需要对剪枝的模型进行Finetune
运行train_prune.py
对checkpoints/vgg_pruned/best.pth进行微调结果生成在checkpoints/vgg_pruned_finetune/best.pth 六、总结
我们通过复现Learning Efficient Convolutional Networks through Network Slimming (ICCV 2017)论文里提到的网络大瘦身剪枝算法完成对VGG模型进行剪枝。
