深度神經(jīng)網(wǎng)絡(luò)（DNN）在解決圖像分類、文本識別和語音轉(zhuǎn)換等實際難題方面具有顯著的效果。然而，為一個給定的問題設(shè)計一個合適的 DNN 體系結(jié)構(gòu)仍然是一個具有挑戰(zhàn)性的任務(wù)。考慮到架構(gòu)可能需要巨大的搜索空間，從頭開始為特定的應(yīng)用程序設(shè)計一個網(wǎng)絡(luò)在計算資源和時間方面花銷可能非常大。神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索和 AdaNet 等方法利用機器學(xué)習(xí)來搜索設(shè)計空間，以便找到改進架構(gòu)的方法。另一種選擇是將現(xiàn)有的體系結(jié)構(gòu)用于類似的問題，并一次性為手頭的任務(wù)進行優(yōu)化。

正對這個問題，谷歌 AI 發(fā)布了一篇博文討論了 MorphNet。MorphNet 是一種復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型細(xì)化技術(shù)，它采用了上面說的第二種方法。本文對 MorphNet 的解釋是：「深度神經(jīng)網(wǎng)絡(luò)的快速、簡單的資源受限結(jié)構(gòu)學(xué)習(xí)」。MorphNet 以現(xiàn)有的神經(jīng)網(wǎng)絡(luò)為輸入，生成一個更小、更快、性能更好的新神經(jīng)網(wǎng)絡(luò)，以適應(yīng)新的問題。我們已經(jīng)將這項技術(shù)應(yīng)用于「Google-scale」問題，以設(shè)計更小、更準(zhǔn)確的生產(chǎn)服務(wù)網(wǎng)絡(luò)。而且，現(xiàn)在我們已經(jīng)向社區(qū)開放了 MorphNet 的 TensorFlow 實現(xiàn)，這樣你就可以使用它來提高你的模型的效率。

它是如何工作的

MorphNet 通過收縮和擴展階段的循環(huán)優(yōu)化神經(jīng)網(wǎng)絡(luò)。在收縮階段，MorphNet 識別效率低下的神經(jīng)元，并利用稀疏正則化器將其從網(wǎng)絡(luò)中刪去，這樣網(wǎng)絡(luò)的總損失函數(shù)就包含每個神經(jīng)元的成本。然而，MorphNet 并沒有對每個神經(jīng)元使用一樣的成本，而是根據(jù)目標(biāo)資源計算神經(jīng)元成本。隨著訓(xùn)練的進行，優(yōu)化器在計算梯度時會意識到資源成本，從而了解哪些神經(jīng)元是是節(jié)省資源的，哪些神經(jīng)元可以被移除。

例如，考慮 MorphNet 如何計算神經(jīng)網(wǎng)絡(luò)的計算成本，以觸發(fā)器為例。為了簡單起見，讓我們考慮一個用矩陣乘法表示的神經(jīng)網(wǎng)絡(luò)層。在這種情況下，層有 2 個輸入（xn），6 個權(quán)重（a，b，…，f）和 3 個輸出（yn；神經(jīng)元）。使用標(biāo)準(zhǔn)教科書中的行和列相乘的方法，可以計算出評估該層需要 6 次相乘。

神經(jīng)元的計算成本

MorphNet 將其計算為輸入計數(shù)和輸出計數(shù)的乘積。注意，盡管左邊的例子顯示了兩個為 0 的權(quán)重值，我們?nèi)匀恍枰獔?zhí)行所有的乘法來評估這個層。然而，中間的例子顯示了結(jié)構(gòu)化稀疏性，其中神經(jīng)元 yn 中的所有行權(quán)重都為 0。MorphNet 識別出這個層的乘法數(shù)從 6 減少到 4，于是這個層的新輸出計數(shù)是 2。利用這一思想，MorphNet 可以確定網(wǎng)絡(luò)中每個神經(jīng)元的增量成本，從而生成一個更有效的模型（右邊），其中神經(jīng)元 y3 已經(jīng)被移除。

在展開階段，我們使用寬度乘數(shù)來均勻地擴展所有的層大小。例如，如果我們擴大 50%，那么一個以 100 個神經(jīng)元開始并縮小到 10 個的低效率層只會擴大到 15 個，而一個只縮小到 80 個神經(jīng)元的重要層可能會擴大到 120 個，并有更多的資源來工作。也就是將計算資源從網(wǎng)絡(luò)中效率較低的部分重新分配到可能更高效的部分。

在縮減階段之后，人們可以停止 MorphNet，只需縮減網(wǎng)絡(luò)以滿足更嚴(yán)格的資源預(yù)算。這會導(dǎo)致在給定目標(biāo)成本的時候網(wǎng)絡(luò)效率更高，但有時也會導(dǎo)致精度下降。另外，用戶還可以完成擴展階段，該階段將與原始目標(biāo)資源成本相匹配，但提高了準(zhǔn)確性。稍后我們通過一個示例來介紹這個的完整實現(xiàn)過程。

為什么是 MorphNet？

MorphNet 提供了四個關(guān)鍵的有價值的主張：

有針對性的正則化：與其他稀疏的正則化方法相比，MorphNet 采取的正則化方法目的性更強。尤其是，MorphNet 方法進行更好的稀疏化的目的是減少特定的資源。這可以更好地控制由 MorphNet 生成的網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)應(yīng)用領(lǐng)域和相關(guān)約束，MorphNet 可以有明顯的不同。例如，下圖的左側(cè)面板顯示了一個基線網(wǎng)絡(luò)，該網(wǎng)絡(luò)具有在 JFT 上訓(xùn)練的常用 ResNet-101 體系結(jié)構(gòu)。當(dāng)以觸發(fā)器（中間圖，觸發(fā)器減少 40%）或模型大?。ㄓ覉D，權(quán)重減少 43%）為目標(biāo)時，MorphNet 生成的結(jié)構(gòu)有很大不同。在優(yōu)化計算成本時，較低層網(wǎng)絡(luò)中的高分辨率神經(jīng)元比低分辨率神經(jīng)元更容易受到修剪。當(dāng)模型尺寸較小時，在修剪權(quán)衡上正好相反。

MorphNet 有針對性的正則化。矩形寬度與層中的通道數(shù)成正比。底部的紫色條是輸入層。左圖：基線網(wǎng)絡(luò)用作 MorphNet 的輸入。中圖：輸出應(yīng)用觸發(fā)器調(diào)節(jié)器。右圖：輸出應(yīng)用大小調(diào)整器。

MorphNet 是為數(shù)不多的能夠針對特定參數(shù)進行優(yōu)化的解決方案之一。這使它能夠針對特定實現(xiàn)的參數(shù)。例如，可以通過結(jié)合特定于設(shè)備的計算時間和內(nèi)存時間，將延遲作為一階優(yōu)化參數(shù)。

拓?fù)渥冃危寒?dāng) MorphNet 學(xué)習(xí)每層神經(jīng)元的數(shù)量時，算法在一個層中稀疏所有神經(jīng)元的過程中可能會遇到一種特殊的情況。當(dāng)一個層有 0 個神經(jīng)元時，通過切斷網(wǎng)絡(luò)中受影響的分支，可以有效地改變網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。例如，當(dāng)遇到 ResNet 體系結(jié)構(gòu)時，MorphNet 可能保留 skip-connection，但刪除殘差塊，如下左圖所示。對于 Inception 樣式的架構(gòu)，MorphNet 可能會刪除整個平行的塔，如右圖所示。

左圖：MorphNet 可以刪除 ResNet 樣式網(wǎng)絡(luò)中的殘差連接。右圖：它還可以刪除 Inception 樣式的網(wǎng)絡(luò)中的平行塔。

可擴展性：MorphNet 在一次訓(xùn)練中學(xué)習(xí)新的結(jié)構(gòu)，在培訓(xùn)預(yù)算有限時，它是一個很好的方法。MorphNet 也可以直接應(yīng)用于昂貴的網(wǎng)絡(luò)和數(shù)據(jù)集。例如，在上面的比較中，MorphNet 直接應(yīng)用于 ResNet-101，而它最初是在 JFT 上花費了 100 個 GPU 月訓(xùn)練的。

可移植性：MorphNet 產(chǎn)生的網(wǎng)絡(luò)是「可移植的」，從這個意義上說，它們是打算從頭開始重新訓(xùn)練的，并且權(quán)重與體系結(jié)構(gòu)學(xué)習(xí)過程無關(guān)。你不必?fù)?dān)心復(fù)制檢查點或遵循特殊的訓(xùn)練規(guī)則，而只需像平時一樣訓(xùn)練你的新網(wǎng)絡(luò)！

變形網(wǎng)絡(luò)

作為一個演示，我們將 MorphNet 應(yīng)用于在 ImageNet 上通過目標(biāo)定位 FLOPs 訓(xùn)練的 Inception V2（見下文）。基線方法是使用一個寬度倍增器，通過均勻地縮小每個卷積（紅色）的輸出數(shù)量來權(quán)衡精度和觸發(fā)器。MorphNet 方法的目標(biāo)是直接 FLOPs，并在縮小模型時產(chǎn)生更好的權(quán)衡曲線（藍(lán)色）。在這種情況下，與基線相比，觸發(fā)器成本降低了 11% 到 15%，而精確度相同。

MorphNet 應(yīng)用于 ImageNet 上的 Inception V2。單獨使用 FLOP 正則化器（藍(lán)色）可將性能相對于基線（紅色）提高 11-15%。在一個完整的周期中，正則化器和寬度乘法器在相同的成本（「x1」；紫色）下提高了精度，并在第二個周期（「x2」；青色）持續(xù)改進。

此時，您可以選擇一個 MorphNet 網(wǎng)絡(luò)來滿足較小的 FLOP 預(yù)算。或者，您可以通過將網(wǎng)絡(luò)擴展回原始的 FLOP 成本來完成這個周期，從而在相同的成本（紫色）下獲得更好的準(zhǔn)確性。再次重復(fù)變形網(wǎng)縮小擴展循環(huán)會導(dǎo)致另一個精度增加（青色），使總精度增加 1.1%。

結(jié)論

我們已經(jīng)將 MorphNet 應(yīng)用到了谷歌的幾個量產(chǎn)級圖像處理模型中。使用 MorphNet 可以在質(zhì)量幾乎沒有損失的情況下顯著減少模型大小。