0
雷鋒網(wǎng)按： Google I/O 2018 上，谷歌發(fā)布了可供開發(fā)者定制移動(dòng)端機(jī)器學(xué)習(xí)模型的 ML Kit 開發(fā)套件，關(guān)于該套件中的核心技術(shù)：Learn2Compress 模型壓縮技術(shù)，谷歌也火速在 Google AI 上撰文對其進(jìn)行了詳細(xì)介紹和實(shí)戰(zhàn)測試，雷鋒網(wǎng) AI 科技評論將其內(nèi)容編譯如下。
大家都知道，要成功地訓(xùn)練和運(yùn)行深度學(xué)習(xí)模型，通常要求海量的計(jì)算資源，超大內(nèi)存以及足夠的能源來支撐，這也就為想要在移動(dòng)端（mobile）和 IoT 設(shè)備上同樣成功地運(yùn)行模型帶來了相應(yīng)的障礙。移動(dòng)端機(jī)器學(xué)習(xí)（On-device machine learning）允許你直接在該設(shè)備上運(yùn)行推理，且具有保證數(shù)據(jù)隱私性和隨時(shí)使用的優(yōu)勢，不管網(wǎng)絡(luò)連接狀況如何。此前的移動(dòng)端機(jī)器學(xué)習(xí)系統(tǒng)，如輕量神經(jīng)網(wǎng)絡(luò) MobileNets 和 ProjectionNets 均通過對模型效率的優(yōu)化來處理資源瓶頸問題。但如果你想要在手機(jī)上的移動(dòng)應(yīng)用中運(yùn)行自己設(shè)計(jì)和訓(xùn)練的模型呢？
現(xiàn)在谷歌幫你解決了這個(gè)難題，在 Google I/O 2018 上，谷歌面向所有移動(dòng)端開發(fā)者發(fā)布了移動(dòng)端機(jī)器機(jī)器學(xué)習(xí)開發(fā)套件 ML Kit。該 ML Kit 開發(fā)套件中的一項(xiàng)即將可用的核心功能，是由谷歌 research 團(tuán)隊(duì)開發(fā)的 Learn2Compress 技術(shù)所驅(qū)動(dòng)的一項(xiàng)自動(dòng)模型壓縮服務(wù)。Learn2Compress 技術(shù)能夠在 TensorFlow Lite 內(nèi)定制移動(dòng)端深度學(xué)習(xí)模型，定制后的模型可高效的運(yùn)行在移動(dòng)端設(shè)備上，無需擔(dān)心內(nèi)存不足和運(yùn)行速度過慢。谷歌也很高興不久后在 ML Ki 中實(shí)現(xiàn) Learn2Compress 技術(shù)驅(qū)動(dòng)的圖像識別功能。Learn2Compress 技術(shù)將率先開放給一小部分開發(fā)者，并將在接下來的幾個(gè)月內(nèi)提供給更多的開發(fā)者們使用。對該技術(shù)特性感興趣并有意設(shè)計(jì)自己模型的開發(fā)者可以點(diǎn)擊此網(wǎng)址（https://g.co/firebase/signup）進(jìn)行注冊。
Learn2Compress 技術(shù)融合了此前研究中介紹的 ProjectionNet 等學(xué)習(xí)框架，并結(jié)合了神經(jīng)網(wǎng)絡(luò)模型壓縮的幾項(xiàng)前沿技術(shù)。Learn2Compress 技術(shù)的工作原理是這樣的：先輸入一個(gè)用戶提供的預(yù)先訓(xùn)練好的 TensorFlow 模型，隨后 Learn2Compress 技術(shù)開始訓(xùn)練和優(yōu)化該模型，并自動(dòng)生成一個(gè)隨時(shí)可用的移動(dòng)端模型，該模型尺寸較小，內(nèi)存占用和能源利用效率更高，且能在保證最小限度丟失準(zhǔn)確率的情況下達(dá)到更快的推理速度。
為了達(dá)成模型壓縮的目的，Learn2Compress 技術(shù)使用了多重神經(jīng)網(wǎng)絡(luò)優(yōu)化和下面三項(xiàng)模型壓縮技術(shù)：
通過移除那些對預(yù)測沒有太大作用的的權(quán)重或者運(yùn)算（比如低分權(quán)重）來修剪，降低模型尺寸。該操作尤其能使包含稀疏輸入或輸出的移動(dòng)端模型的效率得到相當(dāng)大的提升，雖然模型在尺寸上被壓縮小 2 倍，但仍保留著原來模型 97% 的預(yù)測質(zhì)量。
在訓(xùn)練模型的過程中應(yīng)用的量子化技術(shù)格外有效，該技術(shù)可以通過減少用于模型權(quán)重和激活數(shù)值的位數(shù)來提升模型推理速度。例如，使用 8-bit 固定點(diǎn)表示而非浮點(diǎn)數(shù)值可以加速模型推理，降低能源消耗以及有望進(jìn)一步將模型尺寸縮小 4 倍。
遵循老師-學(xué)生學(xué)習(xí)策略的聯(lián)合訓(xùn)練（Joint training）和蒸餾（distillation）方法—保證最小限度丟失準(zhǔn)確率的前提下，谷歌在使用一個(gè)大的老師網(wǎng)絡(luò)（在該案例中，使用的是用戶提供的 TensorFlow 模型）來訓(xùn)練一個(gè)壓縮學(xué)生網(wǎng)絡(luò)（即移動(dòng)端模型 on-device model）。
老師網(wǎng)絡(luò)可以是固定的（就像在蒸餾方法中那樣）或者是被共同優(yōu)化的，老師網(wǎng)絡(luò)甚至還可以同時(shí)訓(xùn)練不同尺寸的多種學(xué)生模型。因而，Learn2Compress 技術(shù)只需一次操作就可以生成具有不同尺寸和不同推理速度的多種移動(dòng)端模型，而非單一模型，同時(shí)還支持開發(fā)者從中選取最符合自己應(yīng)用需求的那個(gè)模型。
以上這些再加上其他類似遷移學(xué)習(xí)這樣的技術(shù)也可以使模型壓縮進(jìn)程更加具有效率和可擴(kuò)展至大規(guī)模數(shù)據(jù)集。
為了證明 Learn2Compress 技術(shù)的有效性，谷歌基于幾個(gè)在圖像和自然語言任務(wù)中使用的最先進(jìn)的深度神經(jīng)網(wǎng)絡(luò)（如 MobileNets，NASNet，Inception，ProjectionNet 等），并使用該技術(shù)將它們壓縮成移動(dòng)端模型。給定一個(gè)任務(wù)和數(shù)據(jù)集，谷歌就可以使用該技術(shù)生成具有不同的推理速度和模型尺寸的多種移動(dòng)端模型。
在圖像識別方面，Learn2Compress 技術(shù)可生成適合手機(jī)應(yīng)用的，且具有良好預(yù)測精度的既小又快的模型。舉個(gè)例子，在 ImageNet 任務(wù)上，Learn2Compress 技術(shù)可實(shí)現(xiàn)一個(gè)比 Inception v3 baseline 小 22 倍，比 MobileNet v1 baseline 小 4 倍的模型，而準(zhǔn)確率僅下降了 4.6-7%。在 CIFAR-10 上，使用共享參數(shù)來共同的訓(xùn)練多種 Learn2Compress 模型所花費(fèi)的時(shí)間，只比訓(xùn)練單獨(dú)的一個(gè) Learn2Compress 大模型多耗時(shí) 10%，例如 yields 3 壓縮模型在尺寸上要小 94 倍，而速度上快 27 倍，成本降低 36 倍，且能達(dá)到很好的預(yù)測質(zhì)量（90-95% 的 top-1 級別準(zhǔn)確度）。
谷歌也很開心地看到開發(fā)者已經(jīng)使用這種技術(shù)做出了一些成果。例如，一個(gè)名為 Fishbrain 的垂釣愛好者社交平臺(tái)使用了谷歌的 Learn2Compress 技術(shù)，將平臺(tái)目前的圖像識別云模型（尺寸大小 80MB+，達(dá)到了 91.8% 的 top-3 級別準(zhǔn)確度）壓縮成了一個(gè)十分小的移動(dòng)端模型（尺寸少于 5MB，但仍保持與原來大模型相似的準(zhǔn)確度）。在另外一些案例中，谷歌發(fā)現(xiàn)得益于正則化效應(yīng)（regularization effect），壓縮后的模型在準(zhǔn)確度上甚至有稍微勝于原來的大模型的可能。
谷歌表示，隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的不斷發(fā)展，他們將會(huì)繼續(xù)改進(jìn) Learn2Compress 技術(shù)并將其擴(kuò)展至更多的用戶案例（不僅局限于圖像識別這類模型）。谷歌還很期待上線 ML Kit 的模型壓縮云服務(wù)。谷歌希望 Learn2Compress 技術(shù)可以幫助開發(fā)者自動(dòng)構(gòu)建和優(yōu)化他們自己的移動(dòng)端機(jī)器學(xué)習(xí)模型，這樣開發(fā)者們就可以專注于開發(fā)包含計(jì)算機(jī)視覺、自然語言以及其他機(jī)器學(xué)習(xí)應(yīng)用在內(nèi)的優(yōu)秀的應(yīng)用程序和酷炫的用戶體驗(yàn)了。
via Google AI Blog，雷鋒網(wǎng)AI科技評論編譯。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
