注意
转到末尾 下载完整的示例代码。
剪枝教程#
创建日期：2019 年 7 月 22 日 | 最后更新：2023 年 11 月 02 日 | 最后验证：2024 年 11 月 05 日
最先进的深度学习技术依赖于过度参数化的模型，这些模型难以部署。相反，生物神经网络以使用高效的稀疏连接而闻名。识别通过减少参数数量来压缩模型的最佳技术非常重要，以在不牺牲准确性的前提下减少内存、电池和硬件消耗。这反过来又允许您在设备上部署轻量级模型，并利用设备上的私有计算来保证隐私。在研究方面，剪枝用于研究过度参数化和欠参数化网络之间学习动态的差异，研究幸运稀疏子网络和初始化（“彩票”）作为一种破坏性神经架构搜索技术的作用等等。
在本教程中，您将学习如何使用 torch.nn.utils.prune 来稀疏化您的神经网络，以及如何扩展它来实现您自己的自定义剪枝技术。
要求#
"torch>=1.4.0a0+8e8a5e0"
import torch
from torch import nn
import torch.nn.utils.prune as prune
import torch.nn.functional as F
创建模型#
在本教程中，我们使用 LeCun 等人于 1998 年提出的 LeNet 架构。
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
class LeNet(nn.Module):
def __init__(self):
super(LeNet, self).__init__()
# 1 input image channel, 6 output channels, 5x5 square conv kernel
self.conv1 = nn.Conv2d(1, 6, 5)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120) # 5x5 image dimension
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = F.max_pool2d(F.relu(self.conv1(x)), (2, 2))
x = F.max_pool2d(F.relu(self.conv2(x)), 2)
x = x.view(-1, int(x.nelement() / x.shape[0]))
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x
model = LeNet().to(device=device)
检查模块#
让我们检查一下 LeNet 模型中（未剪枝的）conv1 层。它将包含两个参数 weight 和 bias，目前没有缓冲区。
module = model.conv1
print(list(module.named_parameters()))
[('weight', Parameter containing:
tensor([[[[ 0.0644, 0.0714, 0.0409, 0.1549, -0.1539],
[-0.0971, 0.0783, 0.1766, -0.1087, -0.1955],
[-0.0273, 0.0593, 0.1937, 0.1335, -0.0627],
[ 0.0248, -0.1581, 0.1811, 0.1400, 0.1427],
[-0.0918, -0.0486, -0.1368, -0.0864, -0.0218]]],
[[[ 0.1182, -0.0398, 0.0982, -0.1954, -0.1851],
[ 0.1095, -0.1790, -0.0277, -0.1760, -0.0027],
[ 0.1409, 0.1320, 0.0287, -0.0701, 0.0778],
[-0.1823, -0.1394, 0.1836, -0.0859, 0.1002],
[-0.1051, 0.0863, -0.0547, 0.1020, 0.1746]]],
[[[-0.1190, -0.0952, 0.0192, 0.1990, 0.0912],
[ 0.1574, -0.0854, 0.1001, 0.1326, 0.1858],
[-0.0444, -0.1750, 0.1469, 0.1091, 0.0399],
[ 0.1067, -0.0445, 0.1775, 0.0061, 0.0998],
[-0.1501, -0.0217, 0.0253, -0.0187, -0.0365]]],
[[[ 0.0145, -0.1725, -0.1936, 0.1588, 0.1175],
[ 0.1840, -0.0485, -0.0800, 0.1318, 0.1662],
[ 0.1660, 0.1170, -0.0113, 0.1785, -0.0537],
[ 0.1013, 0.0608, 0.1382, 0.1564, -0.1048],
[-0.0665, -0.1112, -0.1837, 0.1566, -0.1820]]],
[[[ 0.1103, 0.1611, -0.1615, 0.1834, -0.1175],
[ 0.0294, -0.1602, -0.1325, 0.1916, -0.1814],
[ 0.1835, 0.1552, -0.0839, -0.1157, 0.1017],
[-0.0063, -0.1077, -0.0003, 0.0934, -0.0693],
[-0.0236, -0.1327, -0.1541, -0.0890, -0.1351]]],
[[[-0.1150, 0.1457, 0.0952, 0.1852, 0.0734],
[ 0.0109, -0.0772, -0.0722, -0.1909, 0.1345],
[ 0.0715, -0.0234, -0.0349, -0.1835, -0.1106],
[ 0.0400, 0.1856, -0.1763, 0.1291, -0.0970],
[-0.0257, 0.0063, 0.1400, -0.0588, 0.0294]]]], device='cuda:0',
requires_grad=True)), ('bias', Parameter containing:
tensor([-0.1182, 0.1782, -0.0510, -0.0680, -0.0784, -0.0060], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
[]
剪枝模块#
要剪枝一个模块（在本例中为 LeNet 架构的 conv1 层），首先从 torch.nn.utils.prune 中选择一种剪枝技术（或通过继承 BasePruningMethod 实现您自己的剪枝技术）。然后，指定模块和该模块内要剪枝的参数名称。最后，使用所选剪枝技术所需的关键字参数，指定剪枝参数。
在本例中，我们将随机剪枝 conv1 层中名为 weight 的参数的 30% 连接。模块作为函数的第一个参数传入；name 使用其字符串标识符识别该模块内的参数；amount 表示要剪枝的连接百分比（如果是 0. 到 1. 之间的浮点数），或要剪枝的连接的绝对数量（如果是非负整数）。
prune.random_unstructured(module, name="weight", amount=0.3)
Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
剪枝通过从参数中移除 weight 并用名为 weight_orig 的新参数（即在初始参数 name 后添加 "_orig"）替换它来实现。weight_orig 存储张量的未剪枝版本。bias 未被剪枝，因此它将保持不变。
print(list(module.named_parameters()))
[('bias', Parameter containing:
tensor([-0.1182, 0.1782, -0.0510, -0.0680, -0.0784, -0.0060], device='cuda:0',
requires_grad=True)), ('weight_orig', Parameter containing:
tensor([[[[ 0.0644, 0.0714, 0.0409, 0.1549, -0.1539],
[-0.0971, 0.0783, 0.1766, -0.1087, -0.1955],
[-0.0273, 0.0593, 0.1937, 0.1335, -0.0627],
[ 0.0248, -0.1581, 0.1811, 0.1400, 0.1427],
[-0.0918, -0.0486, -0.1368, -0.0864, -0.0218]]],
[[[ 0.1182, -0.0398, 0.0982, -0.1954, -0.1851],
[ 0.1095, -0.1790, -0.0277, -0.1760, -0.0027],
[ 0.1409, 0.1320, 0.0287, -0.0701, 0.0778],
[-0.1823, -0.1394, 0.1836, -0.0859, 0.1002],
[-0.1051, 0.0863, -0.0547, 0.1020, 0.1746]]],
[[[-0.1190, -0.0952, 0.0192, 0.1990, 0.0912],
[ 0.1574, -0.0854, 0.1001, 0.1326, 0.1858],
[-0.0444, -0.1750, 0.1469, 0.1091, 0.0399],
[ 0.1067, -0.0445, 0.1775, 0.0061, 0.0998],
[-0.1501, -0.0217, 0.0253, -0.0187, -0.0365]]],
[[[ 0.0145, -0.1725, -0.1936, 0.1588, 0.1175],
[ 0.1840, -0.0485, -0.0800, 0.1318, 0.1662],
[ 0.1660, 0.1170, -0.0113, 0.1785, -0.0537],
[ 0.1013, 0.0608, 0.1382, 0.1564, -0.1048],
[-0.0665, -0.1112, -0.1837, 0.1566, -0.1820]]],
[[[ 0.1103, 0.1611, -0.1615, 0.1834, -0.1175],
[ 0.0294, -0.1602, -0.1325, 0.1916, -0.1814],
[ 0.1835, 0.1552, -0.0839, -0.1157, 0.1017],
[-0.0063, -0.1077, -0.0003, 0.0934, -0.0693],
[-0.0236, -0.1327, -0.1541, -0.0890, -0.1351]]],
[[[-0.1150, 0.1457, 0.0952, 0.1852, 0.0734],
[ 0.0109, -0.0772, -0.0722, -0.1909, 0.1345],
[ 0.0715, -0.0234, -0.0349, -0.1835, -0.1106],
[ 0.0400, 0.1856, -0.1763, 0.1291, -0.0970],
[-0.0257, 0.0063, 0.1400, -0.0588, 0.0294]]]], device='cuda:0',
requires_grad=True))]
上面选择的剪枝技术生成的剪枝掩码保存为名为 weight_mask 的模块缓冲区（即在初始参数 name 后添加 "_mask"）。
print(list(module.named_buffers()))
[('weight_mask', tensor([[[[1., 0., 1., 0., 1.],
[1., 0., 1., 1., 1.],
[0., 1., 1., 0., 0.],
[1., 0., 1., 0., 0.],
[1., 1., 0., 1., 1.]]],
[[[1., 0., 1., 0., 1.],
[1., 1., 0., 1., 0.],
[1., 1., 1., 1., 1.],
[1., 0., 1., 1., 0.],
[0., 1., 1., 1., 1.]]],
[[[0., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 0., 0., 1., 1.],
[1., 0., 0., 1., 1.],
[1., 1., 1., 0., 1.]]],
[[[1., 0., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 0., 1., 0., 1.],
[1., 0., 1., 1., 0.],
[0., 1., 0., 1., 1.]]],
[[[1., 1., 1., 1., 0.],
[1., 1., 1., 0., 0.],
[1., 0., 0., 1., 1.],
[0., 0., 1., 1., 1.],
[1., 1., 1., 0., 1.]]],
[[[1., 1., 1., 1., 1.],
[0., 1., 0., 1., 1.],
[0., 1., 1., 0., 0.],
[1., 1., 1., 0., 1.],
[1., 1., 1., 1., 0.]]]], device='cuda:0'))]
为了使前向传播无需修改即可工作，weight 属性需要存在。torch.nn.utils.prune 中实现的剪枝技术计算权重的剪枝版本（通过将掩码与原始参数组合）并将其存储在属性 weight 中。请注意，这不再是 module 的参数，它现在只是一个属性。
print(module.weight)
tensor([[[[ 0.0644, 0.0000, 0.0409, 0.0000, -0.1539],
[-0.0971, 0.0000, 0.1766, -0.1087, -0.1955],
[-0.0000, 0.0593, 0.1937, 0.0000, -0.0000],
[ 0.0248, -0.0000, 0.1811, 0.0000, 0.0000],
[-0.0918, -0.0486, -0.0000, -0.0864, -0.0218]]],
[[[ 0.1182, -0.0000, 0.0982, -0.0000, -0.1851],
[ 0.1095, -0.1790, -0.0000, -0.1760, -0.0000],
[ 0.1409, 0.1320, 0.0287, -0.0701, 0.0778],
[-0.1823, -0.0000, 0.1836, -0.0859, 0.0000],
[-0.0000, 0.0863, -0.0547, 0.1020, 0.1746]]],
[[[-0.0000, -0.0952, 0.0192, 0.1990, 0.0912],
[ 0.1574, -0.0854, 0.1001, 0.1326, 0.1858],
[-0.0444, -0.0000, 0.0000, 0.1091, 0.0399],
[ 0.1067, -0.0000, 0.0000, 0.0061, 0.0998],
[-0.1501, -0.0217, 0.0253, -0.0000, -0.0365]]],
[[[ 0.0145, -0.0000, -0.1936, 0.1588, 0.1175],
[ 0.1840, -0.0485, -0.0800, 0.1318, 0.1662],
[ 0.1660, 0.0000, -0.0113, 0.0000, -0.0537],
[ 0.1013, 0.0000, 0.1382, 0.1564, -0.0000],
[-0.0000, -0.1112, -0.0000, 0.1566, -0.1820]]],
[[[ 0.1103, 0.1611, -0.1615, 0.1834, -0.0000],
[ 0.0294, -0.1602, -0.1325, 0.0000, -0.0000],
[ 0.1835, 0.0000, -0.0000, -0.1157, 0.1017],
[-0.0000, -0.0000, -0.0003, 0.0934, -0.0693],
[-0.0236, -0.1327, -0.1541, -0.0000, -0.1351]]],
[[[-0.1150, 0.1457, 0.0952, 0.1852, 0.0734],
[ 0.0000, -0.0772, -0.0000, -0.1909, 0.1345],
[ 0.0000, -0.0234, -0.0349, -0.0000, -0.0000],
[ 0.0400, 0.1856, -0.1763, 0.0000, -0.0970],
[-0.0257, 0.0063, 0.1400, -0.0588, 0.0000]]]], device='cuda:0',
grad_fn=<MulBackward0>)
最后，剪枝在使用 PyTorch 的 forward_pre_hooks 进行每次前向传播之前应用。具体来说，当 module 被剪枝时（如我们在此处所做），对于与其关联的每个被剪枝的参数，它将获得一个 forward_pre_hook。在这种情况下，由于我们目前只剪枝了名为 weight 的原始参数，因此只会存在一个钩子。
print(module._forward_pre_hooks)
OrderedDict([(0, <torch.nn.utils.prune.RandomUnstructured object at 0x7f0418cd2740>)])
为了完整性，我们现在也可以剪枝 bias，看看模块的参数、缓冲区、钩子和属性如何变化。为了尝试另一种剪枝技术，我们在这里使用 l1_unstructured 剪枝函数中实现的 L1 范数，剪枝偏差中最小的 3 个条目。
prune.l1_unstructured(module, name="bias", amount=3)
Conv2d(1, 6, kernel_size=(5, 5), stride=(1, 1))
我们现在期望命名参数包括 weight_orig（之前）和 bias_orig。缓冲区将包括 weight_mask 和 bias_mask。两个张量的剪枝版本将作为模块属性存在，并且该模块现在将有两个 forward_pre_hooks。
print(list(module.named_parameters()))
[('weight_orig', Parameter containing:
tensor([[[[ 0.0644, 0.0714, 0.0409, 0.1549, -0.1539],
[-0.0971, 0.0783, 0.1766, -0.1087, -0.1955],
[-0.0273, 0.0593, 0.1937, 0.1335, -0.0627],
[ 0.0248, -0.1581, 0.1811, 0.1400, 0.1427],
[-0.0918, -0.0486, -0.1368, -0.0864, -0.0218]]],
[[[ 0.1182, -0.0398, 0.0982, -0.1954, -0.1851],
[ 0.1095, -0.1790, -0.0277, -0.1760, -0.0027],
[ 0.1409, 0.1320, 0.0287, -0.0701, 0.0778],
[-0.1823, -0.1394, 0.1836, -0.0859, 0.1002],
[-0.1051, 0.0863, -0.0547, 0.1020, 0.1746]]],
[[[-0.1190, -0.0952, 0.0192, 0.1990, 0.0912],
[ 0.1574, -0.0854, 0.1001, 0.1326, 0.1858],
[-0.0444, -0.1750, 0.1469, 0.1091, 0.0399],
[ 0.1067, -0.0445, 0.1775, 0.0061, 0.0998],
[-0.1501, -0.0217, 0.0253, -0.0187, -0.0365]]],
[[[ 0.0145, -0.1725, -0.1936, 0.1588, 0.1175],
[ 0.1840, -0.0485, -0.0800, 0.1318, 0.1662],
[ 0.1660, 0.1170, -0.0113, 0.1785, -0.0537],
[ 0.1013, 0.0608, 0.1382, 0.1564, -0.1048],
[-0.0665, -0.1112, -0.1837, 0.1566, -0.1820]]],
[[[ 0.1103, 0.1611, -0.1615, 0.1834, -0.1175],
[ 0.0294, -0.1602, -0.1325, 0.1916, -0.1814],
[ 0.1835, 0.1552, -0.0839, -0.1157, 0.1017],
[-0.0063, -0.1077, -0.0003, 0.0934, -0.0693],
[-0.0236, -0.1327, -0.1541, -0.0890, -0.1351]]],
[[[-0.1150, 0.1457, 0.0952, 0.1852, 0.0734],
[ 0.0109, -0.0772, -0.0722, -0.1909, 0.1345],
[ 0.0715, -0.0234, -0.0349, -0.1835, -0.1106],
[ 0.0400, 0.1856, -0.1763, 0.1291, -0.0970],
[-0.0257, 0.0063, 0.1400, -0.0588, 0.0294]]]], device='cuda:0',
requires_grad=True)), ('bias_orig', Parameter containing:
tensor([-0.1182, 0.1782, -0.0510, -0.0680, -0.0784, -0.0060], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
[('weight_mask', tensor([[[[1., 0., 1., 0., 1.],
[1., 0., 1., 1., 1.],
[0., 1., 1., 0., 0.],
[1., 0., 1., 0., 0.],
[1., 1., 0., 1., 1.]]],
[[[1., 0., 1., 0., 1.],
[1., 1., 0., 1., 0.],
[1., 1., 1., 1., 1.],
[1., 0., 1., 1., 0.],
[0., 1., 1., 1., 1.]]],
[[[0., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 0., 0., 1., 1.],
[1., 0., 0., 1., 1.],
[1., 1., 1., 0., 1.]]],
[[[1., 0., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 0., 1., 0., 1.],
[1., 0., 1., 1., 0.],
[0., 1., 0., 1., 1.]]],
[[[1., 1., 1., 1., 0.],
[1., 1., 1., 0., 0.],
[1., 0., 0., 1., 1.],
[0., 0., 1., 1., 1.],
[1., 1., 1., 0., 1.]]],
[[[1., 1., 1., 1., 1.],
[0., 1., 0., 1., 1.],
[0., 1., 1., 0., 0.],
[1., 1., 1., 0., 1.],
[1., 1., 1., 1., 0.]]]], device='cuda:0')), ('bias_mask', tensor([1., 1., 0., 0., 1., 0.], device='cuda:0'))]
print(module.bias)
tensor([-0.1182, 0.1782, -0.0000, -0.0000, -0.0784, -0.0000], device='cuda:0',
grad_fn=<MulBackward0>)
print(module._forward_pre_hooks)
OrderedDict([(0, <torch.nn.utils.prune.RandomUnstructured object at 0x7f0418cd2740>), (1, <torch.nn.utils.prune.L1Unstructured object at 0x7f0418cd33d0>)])
迭代剪枝#
模块中的相同参数可以被多次剪枝，各种剪枝调用的效果等同于串联应用的各种掩码的组合。新掩码与旧掩码的组合由 PruningContainer 的 compute_mask 方法处理。
例如，假设我们现在想进一步剪枝 module.weight，这次是根据张量第 0 轴（第 0 轴对应于卷积层的输出通道，conv1 的维度为 6）的 L2 范数进行结构化剪枝。这可以使用 ln_structured 函数，并设置 n=2 和 dim=0 来实现。
prune.ln_structured(module, name="weight", amount=0.5, n=2, dim=0)
# As we can verify, this will zero out all the connections corresponding to
# 50% (3 out of 6) of the channels, while preserving the action of the
# previous mask.
print(module.weight)
tensor([[[[ 0.0000, 0.0000, 0.0000, 0.0000, -0.0000],
[-0.0000, 0.0000, 0.0000, -0.0000, -0.0000],
[-0.0000, 0.0000, 0.0000, 0.0000, -0.0000],
[ 0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[-0.0000, -0.0000, -0.0000, -0.0000, -0.0000]]],
[[[ 0.1182, -0.0000, 0.0982, -0.0000, -0.1851],
[ 0.1095, -0.1790, -0.0000, -0.1760, -0.0000],
[ 0.1409, 0.1320, 0.0287, -0.0701, 0.0778],
[-0.1823, -0.0000, 0.1836, -0.0859, 0.0000],
[-0.0000, 0.0863, -0.0547, 0.1020, 0.1746]]],
[[[-0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[-0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[-0.0000, -0.0000, 0.0000, -0.0000, -0.0000]]],
[[[ 0.0145, -0.0000, -0.1936, 0.1588, 0.1175],
[ 0.1840, -0.0485, -0.0800, 0.1318, 0.1662],
[ 0.1660, 0.0000, -0.0113, 0.0000, -0.0537],
[ 0.1013, 0.0000, 0.1382, 0.1564, -0.0000],
[-0.0000, -0.1112, -0.0000, 0.1566, -0.1820]]],
[[[ 0.1103, 0.1611, -0.1615, 0.1834, -0.0000],
[ 0.0294, -0.1602, -0.1325, 0.0000, -0.0000],
[ 0.1835, 0.0000, -0.0000, -0.1157, 0.1017],
[-0.0000, -0.0000, -0.0003, 0.0934, -0.0693],
[-0.0236, -0.1327, -0.1541, -0.0000, -0.1351]]],
[[[-0.0000, 0.0000, 0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, -0.0000, -0.0000, 0.0000],
[ 0.0000, -0.0000, -0.0000, -0.0000, -0.0000],
[ 0.0000, 0.0000, -0.0000, 0.0000, -0.0000],
[-0.0000, 0.0000, 0.0000, -0.0000, 0.0000]]]], device='cuda:0',
grad_fn=<MulBackward0>)
相应的钩子现在将是 torch.nn.utils.prune.PruningContainer 类型，并将存储应用于 weight 参数的剪枝历史。
[<torch.nn.utils.prune.RandomUnstructured object at 0x7f0418cd2740>, <torch.nn.utils.prune.LnStructured object at 0x7f0418cd0550>]
序列化剪枝模型#
所有相关张量，包括掩码缓冲区和用于计算剪枝张量的原始参数，都存储在模型的 state_dict 中，因此可以轻松地序列化和保存，如果需要的话。
print(model.state_dict().keys())
odict_keys(['conv1.weight_orig', 'conv1.bias_orig', 'conv1.weight_mask', 'conv1.bias_mask', 'conv2.weight', 'conv2.bias', 'fc1.weight', 'fc1.bias', 'fc2.weight', 'fc2.bias', 'fc3.weight', 'fc3.bias'])
移除剪枝重参数化#
为了使剪枝永久化，移除 weight_orig 和 weight_mask 的重参数化，并移除 forward_pre_hook，我们可以使用 torch.nn.utils.prune 中的 remove 功能。请注意，这并不能撤销剪枝，就像它从未发生过一样。它只是通过将参数 weight 重新分配给模型参数（以其剪枝版本）来使其永久化。
移除重参数化之前
print(list(module.named_parameters()))
[('weight_orig', Parameter containing:
tensor([[[[ 0.0644, 0.0714, 0.0409, 0.1549, -0.1539],
[-0.0971, 0.0783, 0.1766, -0.1087, -0.1955],
[-0.0273, 0.0593, 0.1937, 0.1335, -0.0627],
[ 0.0248, -0.1581, 0.1811, 0.1400, 0.1427],
[-0.0918, -0.0486, -0.1368, -0.0864, -0.0218]]],
[[[ 0.1182, -0.0398, 0.0982, -0.1954, -0.1851],
[ 0.1095, -0.1790, -0.0277, -0.1760, -0.0027],
[ 0.1409, 0.1320, 0.0287, -0.0701, 0.0778],
[-0.1823, -0.1394, 0.1836, -0.0859, 0.1002],
[-0.1051, 0.0863, -0.0547, 0.1020, 0.1746]]],
[[[-0.1190, -0.0952, 0.0192, 0.1990, 0.0912],
[ 0.1574, -0.0854, 0.1001, 0.1326, 0.1858],
[-0.0444, -0.1750, 0.1469, 0.1091, 0.0399],
[ 0.1067, -0.0445, 0.1775, 0.0061, 0.0998],
[-0.1501, -0.0217, 0.0253, -0.0187, -0.0365]]],
[[[ 0.0145, -0.1725, -0.1936, 0.1588, 0.1175],
[ 0.1840, -0.0485, -0.0800, 0.1318, 0.1662],
[ 0.1660, 0.1170, -0.0113, 0.1785, -0.0537],
[ 0.1013, 0.0608, 0.1382, 0.1564, -0.1048],
[-0.0665, -0.1112, -0.1837, 0.1566, -0.1820]]],
[[[ 0.1103, 0.1611, -0.1615, 0.1834, -0.1175],
[ 0.0294, -0.1602, -0.1325, 0.1916, -0.1814],
[ 0.1835, 0.1552, -0.0839, -0.1157, 0.1017],
[-0.0063, -0.1077, -0.0003, 0.0934, -0.0693],
[-0.0236, -0.1327, -0.1541, -0.0890, -0.1351]]],
[[[-0.1150, 0.1457, 0.0952, 0.1852, 0.0734],
[ 0.0109, -0.0772, -0.0722, -0.1909, 0.1345],
[ 0.0715, -0.0234, -0.0349, -0.1835, -0.1106],
[ 0.0400, 0.1856, -0.1763, 0.1291, -0.0970],
[-0.0257, 0.0063, 0.1400, -0.0588, 0.0294]]]], device='cuda:0',
requires_grad=True)), ('bias_orig', Parameter containing:
tensor([-0.1182, 0.1782, -0.0510, -0.0680, -0.0784, -0.0060], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
[('weight_mask', tensor([[[[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]]],
[[[1., 0., 1., 0., 1.],
[1., 1., 0., 1., 0.],
[1., 1., 1., 1., 1.],
[1., 0., 1., 1., 0.],
[0., 1., 1., 1., 1.]]],
[[[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]]],
[[[1., 0., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 0., 1., 0., 1.],
[1., 0., 1., 1., 0.],
[0., 1., 0., 1., 1.]]],
[[[1., 1., 1., 1., 0.],
[1., 1., 1., 0., 0.],
[1., 0., 0., 1., 1.],
[0., 0., 1., 1., 1.],
[1., 1., 1., 0., 1.]]],
[[[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]]]], device='cuda:0')), ('bias_mask', tensor([1., 1., 0., 0., 1., 0.], device='cuda:0'))]
print(module.weight)
tensor([[[[ 0.0000, 0.0000, 0.0000, 0.0000, -0.0000],
[-0.0000, 0.0000, 0.0000, -0.0000, -0.0000],
[-0.0000, 0.0000, 0.0000, 0.0000, -0.0000],
[ 0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[-0.0000, -0.0000, -0.0000, -0.0000, -0.0000]]],
[[[ 0.1182, -0.0000, 0.0982, -0.0000, -0.1851],
[ 0.1095, -0.1790, -0.0000, -0.1760, -0.0000],
[ 0.1409, 0.1320, 0.0287, -0.0701, 0.0778],
[-0.1823, -0.0000, 0.1836, -0.0859, 0.0000],
[-0.0000, 0.0863, -0.0547, 0.1020, 0.1746]]],
[[[-0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[-0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[-0.0000, -0.0000, 0.0000, -0.0000, -0.0000]]],
[[[ 0.0145, -0.0000, -0.1936, 0.1588, 0.1175],
[ 0.1840, -0.0485, -0.0800, 0.1318, 0.1662],
[ 0.1660, 0.0000, -0.0113, 0.0000, -0.0537],
[ 0.1013, 0.0000, 0.1382, 0.1564, -0.0000],
[-0.0000, -0.1112, -0.0000, 0.1566, -0.1820]]],
[[[ 0.1103, 0.1611, -0.1615, 0.1834, -0.0000],
[ 0.0294, -0.1602, -0.1325, 0.0000, -0.0000],
[ 0.1835, 0.0000, -0.0000, -0.1157, 0.1017],
[-0.0000, -0.0000, -0.0003, 0.0934, -0.0693],
[-0.0236, -0.1327, -0.1541, -0.0000, -0.1351]]],
[[[-0.0000, 0.0000, 0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, -0.0000, -0.0000, 0.0000],
[ 0.0000, -0.0000, -0.0000, -0.0000, -0.0000],
[ 0.0000, 0.0000, -0.0000, 0.0000, -0.0000],
[-0.0000, 0.0000, 0.0000, -0.0000, 0.0000]]]], device='cuda:0',
grad_fn=<MulBackward0>)
移除重参数化之后
prune.remove(module, 'weight')
print(list(module.named_parameters()))
[('bias_orig', Parameter containing:
tensor([-0.1182, 0.1782, -0.0510, -0.0680, -0.0784, -0.0060], device='cuda:0',
requires_grad=True)), ('weight', Parameter containing:
tensor([[[[ 0.0000, 0.0000, 0.0000, 0.0000, -0.0000],
[-0.0000, 0.0000, 0.0000, -0.0000, -0.0000],
[-0.0000, 0.0000, 0.0000, 0.0000, -0.0000],
[ 0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[-0.0000, -0.0000, -0.0000, -0.0000, -0.0000]]],
[[[ 0.1182, -0.0000, 0.0982, -0.0000, -0.1851],
[ 0.1095, -0.1790, -0.0000, -0.1760, -0.0000],
[ 0.1409, 0.1320, 0.0287, -0.0701, 0.0778],
[-0.1823, -0.0000, 0.1836, -0.0859, 0.0000],
[-0.0000, 0.0863, -0.0547, 0.1020, 0.1746]]],
[[[-0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[-0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, 0.0000, 0.0000, 0.0000],
[-0.0000, -0.0000, 0.0000, -0.0000, -0.0000]]],
[[[ 0.0145, -0.0000, -0.1936, 0.1588, 0.1175],
[ 0.1840, -0.0485, -0.0800, 0.1318, 0.1662],
[ 0.1660, 0.0000, -0.0113, 0.0000, -0.0537],
[ 0.1013, 0.0000, 0.1382, 0.1564, -0.0000],
[-0.0000, -0.1112, -0.0000, 0.1566, -0.1820]]],
[[[ 0.1103, 0.1611, -0.1615, 0.1834, -0.0000],
[ 0.0294, -0.1602, -0.1325, 0.0000, -0.0000],
[ 0.1835, 0.0000, -0.0000, -0.1157, 0.1017],
[-0.0000, -0.0000, -0.0003, 0.0934, -0.0693],
[-0.0236, -0.1327, -0.1541, -0.0000, -0.1351]]],
[[[-0.0000, 0.0000, 0.0000, 0.0000, 0.0000],
[ 0.0000, -0.0000, -0.0000, -0.0000, 0.0000],
[ 0.0000, -0.0000, -0.0000, -0.0000, -0.0000],
[ 0.0000, 0.0000, -0.0000, 0.0000, -0.0000],
[-0.0000, 0.0000, 0.0000, -0.0000, 0.0000]]]], device='cuda:0',
requires_grad=True))]
print(list(module.named_buffers()))
[('bias_mask', tensor([1., 1., 0., 0., 1., 0.], device='cuda:0'))]
剪枝模型中的多个参数#
通过指定所需的剪枝技术和参数，我们可以轻松地剪枝网络中的多个张量，也许可以根据它们的类型，正如我们在此示例中将看到的。
new_model = LeNet()
for name, module in new_model.named_modules():
# prune 20% of connections in all 2D-conv layers
if isinstance(module, torch.nn.Conv2d):
prune.l1_unstructured(module, name='weight', amount=0.2)
# prune 40% of connections in all linear layers
elif isinstance(module, torch.nn.Linear):
prune.l1_unstructured(module, name='weight', amount=0.4)
print(dict(new_model.named_buffers()).keys()) # to verify that all masks exist
dict_keys(['conv1.weight_mask', 'conv2.weight_mask', 'fc1.weight_mask', 'fc2.weight_mask', 'fc3.weight_mask'])
全局剪枝#
到目前为止，我们只研究了通常所说的“局部”剪枝，即逐个剪枝模型中的张量，通过将每个条目的统计数据（权重大小、激活、梯度等）仅与该张量中的其他条目进行比较。然而，一种常见且可能更强大的技术是同时剪枝整个模型，通过移除（例如）整个模型中最低的 20% 连接，而不是移除每个层中最低的 20% 连接。这可能会导致每层的剪枝百分比不同。让我们看看如何使用 torch.nn.utils.prune 中的 global_unstructured 来实现。
model = LeNet()
parameters_to_prune = (
(model.conv1, 'weight'),
(model.conv2, 'weight'),
(model.fc1, 'weight'),
(model.fc2, 'weight'),
(model.fc3, 'weight'),
)
prune.global_unstructured(
parameters_to_prune,
pruning_method=prune.L1Unstructured,
amount=0.2,
)
现在我们可以检查每个剪枝参数中引入的稀疏度，它在每个层中都不会等于 20%。但是，全局稀疏度将（大约）为 20%。
print(
"Sparsity in conv1.weight: {:.2f}%".format(
100. * float(torch.sum(model.conv1.weight == 0))
/ float(model.conv1.weight.nelement())
)
)
print(
"Sparsity in conv2.weight: {:.2f}%".format(
100. * float(torch.sum(model.conv2.weight == 0))
/ float(model.conv2.weight.nelement())
)
)
print(
"Sparsity in fc1.weight: {:.2f}%".format(
100. * float(torch.sum(model.fc1.weight == 0))
/ float(model.fc1.weight.nelement())
)
)
print(
"Sparsity in fc2.weight: {:.2f}%".format(
100. * float(torch.sum(model.fc2.weight == 0))
/ float(model.fc2.weight.nelement())
)
)
print(
"Sparsity in fc3.weight: {:.2f}%".format(
100. * float(torch.sum(model.fc3.weight == 0))
/ float(model.fc3.weight.nelement())
)
)
print(
"Global sparsity: {:.2f}%".format(
100. * float(
torch.sum(model.conv1.weight == 0)
+ torch.sum(model.conv2.weight == 0)
+ torch.sum(model.fc1.weight == 0)
+ torch.sum(model.fc2.weight == 0)
+ torch.sum(model.fc3.weight == 0)
)
/ float(
model.conv1.weight.nelement()
+ model.conv2.weight.nelement()
+ model.fc1.weight.nelement()
+ model.fc2.weight.nelement()
+ model.fc3.weight.nelement()
)
)
)
Sparsity in conv1.weight: 6.67%
Sparsity in conv2.weight: 13.21%
Sparsity in fc1.weight: 22.20%
Sparsity in fc2.weight: 12.14%
Sparsity in fc3.weight: 10.24%
Global sparsity: 20.00%
使用自定义剪枝函数扩展 torch.nn.utils.prune#
要实现您自己的剪枝函数，您可以通过继承 BasePruningMethod 基类来扩展 nn.utils.prune 模块，就像所有其他剪枝方法一样。基类为您实现了以下方法：__call__、apply_mask、apply、prune 和 remove。除了某些特殊情况，您不应该为您的新剪枝技术重新实现这些方法。但是，您必须实现 __init__（构造函数）和 compute_mask（根据您的剪枝技术逻辑计算给定张量掩码的指令）。此外，您必须指定此技术实现哪种类型的剪枝（支持的选项有 global、structured 和 unstructured）。这在迭代应用剪枝时需要确定如何组合掩码。换句话说，当剪枝预剪枝的参数时，当前的剪枝技术预计会对参数的未剪枝部分起作用。指定 PRUNING_TYPE 将使 PruningContainer（处理剪枝掩码的迭代应用）能够正确识别要剪枝的参数切片。
例如，假设您想实现一种剪枝技术，该技术剪枝张量中（或如果张量以前被剪枝过，则在张量的剩余未剪枝部分中）的每个隔行条目。这将是 PRUNING_TYPE='unstructured'，因为它作用于层中的单个连接，而不是整个单元/通道（'structured'）或跨不同参数（'global'）。
class FooBarPruningMethod(prune.BasePruningMethod):
"""Prune every other entry in a tensor
"""
PRUNING_TYPE = 'unstructured'
def compute_mask(self, t, default_mask):
mask = default_mask.clone()
mask.view(-1)[::2] = 0
return mask
现在，要将其应用于 nn.Module 中的参数，您还应该提供一个简单的函数来实例化该方法并应用它。
def foobar_unstructured(module, name):
"""Prunes tensor corresponding to parameter called `name` in `module`
by removing every other entry in the tensors.
Modifies module in place (and also return the modified module)
by:
1) adding a named buffer called `name+'_mask'` corresponding to the
binary mask applied to the parameter `name` by the pruning method.
The parameter `name` is replaced by its pruned version, while the
original (unpruned) parameter is stored in a new parameter named
`name+'_orig'`.
Args:
module (nn.Module): module containing the tensor to prune
name (string): parameter name within `module` on which pruning
will act.
Returns:
module (nn.Module): modified (i.e. pruned) version of the input
module
Examples:
>>> m = nn.Linear(3, 4)
>>> foobar_unstructured(m, name='bias')
"""
FooBarPruningMethod.apply(module, name)
return module
我们来试试看！
model = LeNet()
foobar_unstructured(model.fc3, name='bias')
print(model.fc3.bias_mask)
tensor([0., 1., 0., 1., 0., 1., 0., 1., 0., 1.])
脚本总运行时间： (0 分钟 0.492 秒)
