模型压缩工具库

模型压缩工具库 | 算法原理介绍 | 使用文档 | 示例文档 | Model Zoo

简介

PaddleSlim是PaddlePaddle框架的一个子模块。PaddleSlim首次发布于PaddlePaddle 1.4版本。在PaddleSlim中，实现了目前主流的网络剪枝、量化、蒸馏三种压缩策略，主要用于压缩图像领域模型。在后续版本中，会添加更多的压缩策略，以及完善对NLP领域模型的支持。

主要特点

Paddle-Slim工具库有以下特点：

接口简单

  • 以配置文件方式集中管理可配参数，方便实验管理
  • 在普通模型训练脚本上，添加极少代码即可完成模型压缩

详见：使用示例

效果好

  • 对于冗余信息较少的MobileNetV1模型，卷积核剪切策略依然可缩减模型大小，并保持尽量少的精度损失。
  • 蒸馏压缩策略可明显提升原始模型的精度。
  • 量化训练与蒸馏的组合使用，可同时做到缩减模型大小和提升模型精度。

详见：效果数据与ModelZoo

功能更强更灵活

  • 剪切压缩过程自动化
  • 剪切压缩策略支持更多网络结构
  • 蒸馏支持多种方式，用户可自定义组合loss
  • 支持快速配置多种压缩策略组合使用

详见：使用说明

架构介绍

这里简要介绍模型压缩工具实现的整体原理，便于理解使用流程。 图 1为模型压缩工具的架构图，从上到下为API依赖关系。蒸馏模块、量化模块和剪切模块都间接依赖底层的paddle框架。目前，模型压缩工具作为了PaddlePaddle框架的一部分，所以已经安装普通版本paddle的用户需要重新下载安装支持模型压缩功能的paddle，才能使用压缩功能。

模型压缩工具库 - 图1

图 1

如图 1所示，最上层的紫色模块为用户接口，在Python脚本中调用模型压缩功能时，只需要构造一个Compressor对象即可，在使用文档中会有详细说明。

我们将每个压缩算法称为压缩策略，在迭代训练模型的过程中调用用户注册的压缩策略完成模型压缩，如图2所示。其中，模型压缩工具封装好了模型训练逻辑，用户只需要提供训练模型需要的网络结构、数据、优化策略（optimizer）等，在使用文档会对此详细介绍。

模型压缩工具库 - 图2

图 2

功能列表

剪切

  • 支持敏感度和uniform两种方式
  • 支持VGG、ResNet、MobileNet等各种类型的网络
  • 支持用户自定义剪切范围

量化训练

  • 支持动态和静态两种量化训练方式
    • 动态策略: 在推理过程中，动态统计激活的量化参数。
    • 静态策略: 在推理过程中，对不同的输入，采用相同的从训练数据中统计得到的量化参数。
  • 支持对权重全局量化和Channel-Wise量化
  • 支持以兼容Paddle Mobile的格式保存模型

蒸馏

  • 支持在teacher网络和student网络任意层添加组合loss
    • 支持FSP loss
    • 支持L2 loss
    • 支持softmax with cross-entropy loss

其它功能

  • 支持配置文件管理压缩任务超参数
  • 支持多种压缩策略组合使用

简要实验结果

本节列出了PaddleSlim模型压缩工具库的一些实验结果，更多实验数据和预训练模型的下载，请参考：详细实验结果与ModelZoo

量化训练

评估实验所使用数据集为ImageNet1000类数据，且以top-1准确率为衡量指标：

Model FP32 int8(X:abs_max, W:abs_max) int8, (X:moving_average_abs_max, W:abs_max) int8, (X:abs_max, W:channel_wise_abs_max)
MobileNetV1 89.54%/70.91% 89.64%/71.01% 89.58%/70.86% 89.75%/71.13%
ResNet50 92.80%/76.35% 93.12%/76.77% 93.07%/76.65% 93.15%/76.80%

卷积核剪切

数据：ImageNet 1000类

模型：MobileNetV1

原始模型大小：17M

原始精度（top5/top1）: 89.54% / 70.91%

Uniform剪切

FLOPS model size 精度损失（top5/top1） 精度（top5/top1）
-50% -47.0%(9.0M) -0.41% / -1.08% 89.13% / 69.83%
-60% -55.9%(7.5M) -1.34% / -2.67% 88.22% / 68.24%
-70% -65.3%(5.9M) -2.55% / -4.34% 86.99% / 66.57%

基于敏感度迭代剪切

FLOPS 精度（top5/top1）
-0% 89.54% / 70.91%
-20% 90.08% / 71.48%
-36% 89.62% / 70.83%
-50% 88.77% / 69.31%

蒸馏

数据：ImageNet 1000类

模型：MobileNetV1

- 精度(top5/top1) 收益(top5/top1)
单独训 89.54% / 70.91% -
ResNet50蒸馏训 90.92% / 71.97% +1.28% / +1.06%

组合实验

数据：ImageNet 1000类

模型：MobileNetV1

压缩策略 精度(top5/top1) 模型大小
Baseline 89.54% / 70.91% 17.0M
ResNet50蒸馏 90.92% / 71.97% 17.0M
ResNet50蒸馏训 + 量化 90.94% / 72.08% 4.2M
剪切-50% FLOPS 89.13% / 69.83% 9.0M
剪切-50% FLOPS + 量化 89.11% / 69.70% 2.3M

模型导出格式

压缩框架支持导出以下格式的模型：

  • Paddle Fluid模型格式： Paddle Fluid模型格式，可通过Paddle框架加载使用。
  • Paddle Mobile模型格式： 仅在量化训练策略时使用，兼容Paddle Mobile的模型格式。