Önemsiz ağırlıkları kesin

Bu belge, kullanım durumunuza nasıl uyduğunu belirlemenize yardımcı olmak için model budama hakkında bir genel bakış sağlar.

Genel Bakış

Büyüklüğe dayalı ağırlık budama, model seyrekliğini sağlamak için eğitim süreci sırasında model ağırlıklarını kademeli olarak sıfırlar. Seyrek modellerin sıkıştırılması daha kolaydır ve gecikme iyileştirmeleri için çıkarım sırasında sıfırları atlayabiliriz.

Bu teknik, model sıkıştırma yoluyla iyileştirmeler sağlar. Gelecekte bu tekniğe yönelik çerçeve desteği gecikme iyileştirmeleri sağlayacaktır. Minimum doğruluk kaybıyla model sıkıştırmada 6 kata kadar iyileştirme gördük.

Teknik, konuşma tanıma ve metinden konuşmaya gibi çeşitli konuşma uygulamalarında değerlendiriliyor ve çeşitli görüş ve çeviri modellerinde deneniyor.

API Uyumluluk Matrisi

Kullanıcılar budamayı aşağıdaki API'lerle uygulayabilir:

  • Model oluşturma: yalnızca Sıralı ve İşlevsel modellere sahip keras
  • TensorFlow sürümleri: 1.14+ ve 2.x sürümleri için TF 1.x.
    • TF 2.X paketine sahip tf.compat.v1 ve TF 1.X paketine sahip tf.compat.v2 desteklenmez.
  • TensorFlow yürütme modu: hem grafik hem de istekli
  • Dağıtılmış eğitim: yalnızca grafik yürütmeyle tf.distribute

Aşağıdaki alanlarda destek eklemek yol haritamızda yer almaktadır:

Sonuçlar

Görüntü Sınıflandırması

Modeli Seyrek Olmayan İlk 1 Doğruluk Rastgele Seyrek Doğruluk Rastgele Seyreklik Yapılandırılmış Seyrek Doğruluk Yapılandırılmış Seyreklik
BaşlangıçV3 %78,1 %78,0 %50 %75,8 2'ye 4
%76,1 %75
%74,6 %87,5
MobilenetV1 224 %71,04 %70,84 %50 %67,35 2'ye 4
MobilenetV2 224 %71,77 %69,64 %50 %66,75 2'ye 4

Modeller Imagenet'te test edildi.

Tercüme

Modeli Seyrek olmayan BLEU Seyrek BLEU Kıtlık
GNMT TR-DE 26.77 26.86 %80
26.52 %85
26.19 %90
GNMT DE-EN 29.47 29.50 %80
29.24 %85
28.81 %90

Modeller, geliştirme seti olarak news-test2013 ve test seti olarak news-test2015 ile WMT16 Almanca ve İngilizce veri setini kullanıyor.

Anahtar kelime tespit modeli

DS-CNN-L, uç cihazlar için oluşturulmuş bir anahtar kelime tespit modelidir. ARM yazılımının örnek deposunda bulunabilir.

Modeli Seyrek Olmayan Doğruluk Yapılandırılmış Seyrek Doğruluk (2'ye 4 desen) Rastgele Seyrek Doğruluk (hedef seyrekliği %50)
DS-CNN-L 95.23 94.33 94.84

Örnekler

Keras ile Prune öğreticisine ek olarak aşağıdaki örneklere bakın:

  • Budama ile MNIST el yazısı rakam sınıflandırma görevinde bir CNN modelini eğitin: kod
  • Budama ile IMDB duyarlılık sınıflandırması görevi üzerine bir LSTM eğitin: kod

Arka plan için bkz. Budamak veya budamamak: model sıkıştırma için budamanın etkinliğinin araştırılması [ kağıt ].