摘要： 隨著近幾年來深度學習的興起，其在目標檢測、圖像分類、語音識別、自然語言處理等機器學習領域都取得了重大的突破，其中以卷積神經(jīng)網(wǎng)絡在深度學習中的運用較多。自VGGNet出現(xiàn)以來，深度學習逐漸向深層的網(wǎng)絡發(fā)展，網(wǎng)絡越來越深，這不僅增大了對硬件平臺存儲、運行內(nèi)存的需求，還大大增加了計算量，對硬件平臺資源的要求越來越高。

因此將深度學習應用于嵌入式平臺尤為困難。對此，通過對模型進行剪枝的方法將訓練好的網(wǎng)絡模型壓縮處理，在基本保證準確率的情況下去除不重要的參數(shù)，縮減模型，減小網(wǎng)絡的計算復雜度，將深度學習應用于嵌入式平臺。

0 引言

深度學習起源于人工神經(jīng)網(wǎng)絡，后來LECUN Y提出了卷積神經(jīng)網(wǎng)絡LeNet-5［1］，用于手寫數(shù)字識別，并取得了較好的成績，但當時并沒有引起人們足夠的注意。隨后BP算法被指出梯度消失的問題，當網(wǎng)絡反向傳播時，誤差梯度傳遞到前面的網(wǎng)絡層基本接近于0，導致無法進行有效的學習。

2006年HINTON G E提出多隱層的網(wǎng)絡可以通過逐層預訓練來克服深層神經(jīng)網(wǎng)絡在訓練上的困難［2］，隨后深度學習迎來了高速發(fā)展期。一些新型的網(wǎng)絡結(jié)構(gòu)不斷被提出（如AlexNet、VGGNet、GoogleNet、ResNet等），網(wǎng)絡結(jié)構(gòu)不斷被優(yōu)化，性能不斷提升，用于圖像識別可以達到很好的效果。然而這些網(wǎng)絡大都具有更多的網(wǎng)絡層，對計算機處理圖像的能力要求很高，需要更多的計算資源，一般使用較好的GPU來提高訓練速度，不利于在硬件資源（內(nèi)存、處理器、存儲）較低的設備運行，具有局限性。

深度學習發(fā)展到目前階段，其研究大體可以分為兩個方向：（1）設計復雜的網(wǎng)絡結(jié)構(gòu)，提高網(wǎng)絡的性能；（2）對網(wǎng)絡模型進行壓縮，減少計算復雜度。在本文將討論第二種情況，去除模型中冗余的參數(shù)，減少計算量，提高程序運行速度。

目前很多網(wǎng)絡都具有更復雜的架構(gòu)設計，這就造成網(wǎng)絡模型中存在很多的參數(shù)冗余，增加了計算復雜度，造成不必要的計算資源浪費。模型壓縮大體有以下幾個研究方向：（1）設計更為精細的網(wǎng)絡結(jié)構(gòu)，讓網(wǎng)絡的性能更為簡潔高效，如MobileNet網(wǎng)絡［3］；（2）對模型進行裁剪，越是結(jié)構(gòu)復雜的網(wǎng)絡越存在大量參數(shù)冗余，因此可以尋找一種有效的評判方法，對訓練好的模型進行裁剪；

（3）為了保持數(shù)據(jù)的精度，一般常見的網(wǎng)絡模型的權(quán)重，通常將其保存為32 bit長度的浮點類型，這就大大增加了數(shù)據(jù)的存儲和計算復雜度。因此，可以將數(shù)據(jù)進行量化，或者對數(shù)據(jù)二值化，通過數(shù)據(jù)的量化或二值化從而大大降低數(shù)據(jù)的存儲。除此之外，還可以對卷積核進行核的稀疏化，將卷積核的一部分誘導為0，從而減少計算量［4］。

本文著重討論第二種方法，對模型的剪枝，通過對無用權(quán)重參數(shù)的裁剪，減少計算量。

1 CNN卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡是一種前饋式網(wǎng)絡，網(wǎng)絡結(jié)構(gòu)由卷積層、池化層、全連接層組成［5］。卷積層的作用是從輸入層提取特征圖，給定訓練集：

在卷積層后面一般會加一個池化層，池化又稱為降采樣，池化層可以用來降低輸入矩陣的緯度，而保存顯著的特征，池化分為最大池化和平均池化，最大池化即給出相鄰矩陣區(qū)域的最大值。池化層具有減小網(wǎng)絡規(guī)模和參數(shù)冗余的作用。

2 卷積神經(jīng)網(wǎng)絡剪枝

2.1 模型壓縮的方法

本文用以下方法修剪模型：（1）首先使用遷移學習的方法對網(wǎng)絡訓練，然后對網(wǎng)絡進行微調(diào)，使網(wǎng)絡收斂并達到最優(yōu)，保存模型；（2）對保存的模型進行修剪，并再次訓練，對修剪后的模型參數(shù)通過訓練進行微調(diào)，如此反復進行，直到檢測不到可供裁剪的卷積核；（3）對上一步裁剪后的模型再次訓練，直到訓練的次數(shù)達到設定的標準為止。具體的流程如圖2所示。

上述的處理流程比較簡單，重點是如何評判網(wǎng)絡模型中神經(jīng)元的重要性。本文用價值函數(shù)C（W）作為評判重要性的工具。對于數(shù)據(jù)集D，經(jīng)訓練后得到網(wǎng)絡模型Model，其中的權(quán)重參數(shù)為：

2.2 參數(shù)評估

網(wǎng)絡參數(shù)的評估在模型壓縮中有著非常重要的作用。一般采用下面的這種方法，通過比較權(quán)重參數(shù)的l2范數(shù)的大小，刪除l2范數(shù)較小的卷積核［8］。除此之外，還可以通過激活驗證的方法對參數(shù)進行評判，將數(shù)據(jù)集通過網(wǎng)絡前向傳播，對于某個網(wǎng)絡節(jié)點，若有大量通過激活函數(shù)后的數(shù)值為0或者小于一定的閾值，則將其舍去。

2.2.1 最小化l2范數(shù)

3 實驗結(jié)果

3.1 訓練和剪枝結(jié)果

本設計在Ubuntu16.04系統(tǒng)，搭載1080Ti顯卡的高性能服務器上進行實驗，使用Pytorch深度學習框架進行訓練和測試。本設計使用VGG16網(wǎng)絡，對16類常見的路面障礙物圖片進行訓練，其中數(shù)據(jù)集中的訓練集有24 000張圖片，訓練集12 000張圖片。在VGG16網(wǎng)絡中有16個卷積網(wǎng)絡層，共4 224個卷積核。采用遷移學習的方法對其進行訓練，設置epoch為30，訓練的結(jié)果如圖3所示。

圖3縱軸表示訓練的準確率，橫軸表示迭代次數(shù)，最后的訓練準確率為97.97%。

將上面的訓練參數(shù)保存為模型，對其進行剪枝，分5次對其修剪，首先會根據(jù)l2范數(shù)最小值篩選出要修剪的網(wǎng)絡層中的卷積核，每次去除512個卷積核，修剪后模型中剩余的卷積核數(shù)量如圖4所示。

圖4中縱軸表示模型中保留的卷積核的數(shù)量，從最初的4 224降到1 664，裁剪率達到60.6%。5次迭代修剪后的準確率如圖5所示。

對修剪后的網(wǎng)絡重新訓練得到最終的修剪模型，訓練過程如圖6所示。

最后達到98.7%的準確率。剪枝前模型大小為512 MB，剪枝后模型可以縮小到162 MB，將模型的內(nèi)存占用降低了68.35%。

3.2 嵌入式平臺下的移植測試

在嵌入式平臺樹莓派3代B型上移植Pytorch框架，樹莓派3b擁有1.2 GHz的四核BCM2837 64位ARM A53處理器，1 GB運行內(nèi)存，板載BCM43143WiFi。由于樹莓派運行內(nèi)存有限，故增加2 GB的swap虛擬內(nèi)存，用于編譯Pytorch框架源碼。將在GPU服務器上訓練好的網(wǎng)絡模型移植到嵌入式平臺，對其進行測試。

對123張測試圖片進行檢測分類，載入裁剪前的原始模型，用時109.47 s，準確率為95.08%。載入剪枝后的模型，同樣對123張圖片進行測試，用時41.85 s，準確率達到96.72%。結(jié)果如圖7所示，可以看到對模型裁剪后時間上減少了61%，速度有了很大提升。

4 結(jié)論

目前深度學習是一個熱門的研究方向，在圖像檢測、分類、語音識別等方面取得了前所未有的成功，但這些依賴于高性能高配置的計算機，也出現(xiàn)了各種深度學習框架以及網(wǎng)絡模型，但是可以預見深度學習即將邁入一個發(fā)展平緩期，如果不能有一個寬闊的應用領域，深度學習的發(fā)展將很快被擱淺。誠然，將其應用于嵌入式平臺將會是一個非常好的發(fā)展方向。相信未來深度學習在嵌入式領域會有一個更大的突破，部署于移動平臺將不再是一個難題。

作者：馬治楠 韓云杰 彭琳鈺 周進凡 林付春 劉宇紅

編輯：jq