圖1 Stripe-Wise Pruning與幾種主流Pruning方式的區(qū)別

神經(jīng)網(wǎng)絡(luò)的具有結(jié)構(gòu)和參數(shù)這兩個(gè)屬性，這兩個(gè)屬性都具有重要意義。本文指出神經(jīng)網(wǎng)絡(luò)的濾波器除了通常使用的參數(shù)屬性以外，還有一種形狀屬性。形狀屬性之前一直隱含在參數(shù)中，通過(guò)訓(xùn)練每個(gè)濾波器的參數(shù)使其獲得不同的形狀。濾波器的形狀屬性具有重要的意義。具有合適形狀的濾波器，即使參數(shù)是隨機(jī)的，也能具有較好的性能。

因此本文通過(guò)一種名為濾波器骨架（Filter Skeleton，F(xiàn)S）的模塊來(lái)顯性地學(xué)習(xí)濾波器的形狀（如圖中①）。當(dāng)訓(xùn)練結(jié)束，我們可以將FS乘回參數(shù)上，因此不會(huì)引入額外的參數(shù)（如圖中②）。

圖2 PFF方法流程示意圖

對(duì)于不在骨架上的參數(shù)，使用逐條裁剪的方法將其整條（stripe，1*1濾波器）裁剪掉。

具體的，首先通過(guò)卷積計(jì)算順序的變換，可以將濾波器從Filter wise等價(jià)變換為stripe wise（如圖中③）。接下來(lái)就可以使用正常的濾波器剪枝方法對(duì)其進(jìn)行裁剪（如圖中④）。

該方法的創(chuàng)新點(diǎn)包括：

（1） 提出濾波器除了參數(shù)屬性外，還存在形狀屬性，并且形狀屬性具有重要意義。

（2） 提出濾波器骨架的模塊來(lái)學(xué)習(xí)濾波器的形狀，并可以指導(dǎo)模型剪枝。

（3） 通過(guò)變換普通卷積為Stripe-Wise Convolution，結(jié)構(gòu)化的實(shí)現(xiàn)逐條剪枝后的模型。

逐條剪枝算法在CIFAR10和ImageNet數(shù)據(jù)集上達(dá)到了SOTA效果。

songjy