一直以來，深度神經(jīng)網(wǎng)絡(luò)在圖像分類、文本識別等實際問題中發(fā)揮重要的作用。但是，考慮到計算資源和時間，深度神經(jīng)網(wǎng)絡(luò)架構(gòu)往往成本很高。此次，谷歌研究人員提出一種自動化神經(jīng)網(wǎng)絡(luò)架構(gòu)的新方法 MorphNet，通過迭代縮放神經(jīng)網(wǎng)絡(luò)，節(jié)省了資源，提升了性能。

深度神經(jīng)網(wǎng)絡(luò)（DNN）在解決圖像分類、文本識別和語音轉(zhuǎn)錄等實際難題方面顯示出卓越的效能。但是，為給定問題設(shè)計合適的 DNN 架構(gòu)依然是一項具有挑戰(zhàn)性的任務(wù)。考慮到巨大的架構(gòu)搜索空間，就計算資源和時間而言，為具體應(yīng)用從零開始設(shè)計一個網(wǎng)絡(luò)是極其昂貴的。神經(jīng)架構(gòu)搜索（NAS）和 AdaNet 等方法使用機器學(xué)習(xí)來搜索架構(gòu)設(shè)計空間，從而找出適合的改進版架構(gòu)。另一種方法是利用現(xiàn)有架構(gòu)來解決類似問題，即針對手頭任務(wù)一次性對架構(gòu)進行優(yōu)化。

谷歌研究人員提出一種神經(jīng)網(wǎng)絡(luò)模型改進的復(fù)雜方法 MorphNet。研究人員發(fā)表了論文《MorphNet: Fast & Simple Resource-Constrained Structure Learning of Deep Networks》，MorphNet 將現(xiàn)有神經(jīng)網(wǎng)絡(luò)作為輸入，為新問題生成規(guī)模更小、速度更快、性能更好的新神經(jīng)網(wǎng)絡(luò)。研究人員已經(jīng)運用該方法解決大規(guī)模問題，設(shè)計出規(guī)模更小、準確率更高的產(chǎn)品服務(wù)網(wǎng)絡(luò)。目前，MorphNet 的 TensoreFlow 實現(xiàn)已開源，大家可以利用該方法更高效地創(chuàng)建自己的模型。

MorphNet 開源項目地址：https://github.com/google-research/morph-net

MorphNet 的工作原理

MorphNet 通過收縮和擴展階段的循環(huán)來優(yōu)化神經(jīng)網(wǎng)絡(luò)。在收縮階段，MorphNet 通過稀疏性正則化項（sparsifying regularizer）識別出效率低的神經(jīng)元，并將它們從網(wǎng)絡(luò)中去除，因而該網(wǎng)絡(luò)的總損失函數(shù)包含每一神經(jīng)元的成本。但是對于所有神經(jīng)元，MorphNet 沒有采用統(tǒng)一的成本度量，而是計算神經(jīng)元相對于目標資源的成本。隨著訓(xùn)練的繼續(xù)進行，優(yōu)化器在計算梯度時是了解資源成本信息的，從而得知哪些神經(jīng)元的資源效率高，哪些神經(jīng)元可以去除。

MorphNet 的算法。

例如，考慮一下 MorphNet 如何計算神經(jīng)網(wǎng)絡(luò)的計算成本（如 FLOPs）。為簡單起見，我們來思考一下被表示為矩陣乘法的神經(jīng)網(wǎng)絡(luò)層。在這種情況下，神經(jīng)網(wǎng)絡(luò)層擁有 2 個輸入（x_n）、6 個權(quán)重 (a,b,...,f) 和 3 個輸出（y_n）。使用標準教科書中行和列相乘的方法，你會發(fā)現(xiàn)評估該神經(jīng)網(wǎng)絡(luò)層需要 6 次乘法。

神經(jīng)元的計算成本。

MorphNet 將其計算成本表示為輸入數(shù)和輸出數(shù)的乘積。請注意，盡管左邊示例顯示出了權(quán)重稀疏性，其中兩個權(quán)重值為 0，但我們依然需要執(zhí)行所有的乘法，以評估該神經(jīng)網(wǎng)絡(luò)層。但是，中間示例顯示出了結(jié)構(gòu)性的稀疏，其中神經(jīng)元 y_n 最后一行上的所有權(quán)重值均為 0。MorphNet 意識到該層的新輸出數(shù)為 2，并且該層的乘次數(shù)量由 6 降至 4。基于此，MorphNet 可以確定該神經(jīng)網(wǎng)絡(luò)中每一神經(jīng)元的增量成本，從而生成更高效的模型（右邊示例），其中神經(jīng)元 y_3 被移除。

在擴展階段，研究人員使用寬度乘數(shù)（width multiplier）來統(tǒng)一擴展所有層的大小。例如，如果層大小擴大 50%，則一個效率低的層（開始有 100 個神經(jīng)元，之后縮小至 10 個神經(jīng)元）將能夠擴展回 15，而只縮小至 80 個神經(jīng)元的重要層可能擴展至 120，并且擁有更多資源。凈效應(yīng)則是將計算資源從該網(wǎng)絡(luò)效率低的部分重新分配給更有用的部分。

用戶可以在收縮階段之后停止 MorphNet，從而削減該網(wǎng)絡(luò)規(guī)模，使之符合更緊湊的資源預(yù)算。這可以在目標成本方面獲得更高效的網(wǎng)絡(luò)，但有時可能導(dǎo)致準確率下降。或者，用戶也可以完成擴展階段，這將與最初目標資源相匹配，但準確率會更高。

MorphNet 可提供以下四個關(guān)鍵價值

有針對性的正則化：MorphNet 采用的正則化方法比其他稀疏性正則化方法更有目的性。具體來說，MorphNet 方法用于更好的稀疏化，但它的目標是減少資源（如每次推斷的 FLOPs 或模型大小）。這可以更好地控制由 MorphNet 推導(dǎo)出的網(wǎng)絡(luò)結(jié)構(gòu)，這些網(wǎng)絡(luò)結(jié)構(gòu)根據(jù)應(yīng)用領(lǐng)域和約束而出現(xiàn)顯著差異。

例如，下圖左展示了在 JFT 數(shù)據(jù)集上訓(xùn)練的 ResNet-101 基線網(wǎng)絡(luò)。在指定目標 FLOPs（FLOPs 降低 40%，中間圖）或模型大小（權(quán)重減少 43%，右圖）的情況下，MorphNet 輸出的結(jié)構(gòu)具有很大差異。在優(yōu)化計算成本時，相比于網(wǎng)絡(luò)較高層中的低分辨率神經(jīng)元，較低層中的高分辨率神經(jīng)元會被更多地修剪掉。當目標是較小的模型大小時，剪枝策略相反。

MorphNet 有目標性的正則化（Targeted Regularization）。矩形的寬度與層級中通道數(shù)成正比，底部的紫色條表示輸入層。左：輸入到 MorphNet 的基線網(wǎng)絡(luò)；中：應(yīng)用 FLOP regularizer 后的輸出結(jié)果；右：應(yīng)用 size regularizer 后的輸出結(jié)果。

MorphNet 能夠把特定的優(yōu)化參數(shù)作為目標，這使得它可針對特定實現(xiàn)設(shè)立具體參數(shù)目標。例如，你可以把「延遲」作為整合設(shè)備特定計算時間和記憶時間的首要優(yōu)化參數(shù)。

拓撲變換（Topology Morphing）：MorphNet 學(xué)習(xí)每一層的神經(jīng)元，因此該算法可能會遇到將一層中所有神經(jīng)元全都稀疏化的特殊情況。當一層中的神經(jīng)元數(shù)量為 0 時，它切斷了受影響的網(wǎng)絡(luò)分支，從而有效地改變了網(wǎng)絡(luò)的拓撲結(jié)構(gòu)。例如，在 ResNet 架構(gòu)中，MorphNet 可能保留殘差連接，但移除殘差模塊（如下圖左所示）。對于 Inception 結(jié)構(gòu)，MorphNet 可能移除整個并行分支（如下圖右所示）。

左：MorphNet 移除 ResNet 網(wǎng)絡(luò)中的殘差模塊。右：MorphNet 移除 Inception 網(wǎng)絡(luò)中的并行分支。

可擴展性：MorphNet 在單次訓(xùn)練運行中學(xué)習(xí)新的網(wǎng)絡(luò)結(jié)構(gòu)，當你的訓(xùn)練預(yù)算有限時，這是一種很棒的方法。MorphNet 還可直接用于昂貴的網(wǎng)絡(luò)和數(shù)據(jù)集。例如，在上述對比中，MorphNet 直接用于 ResNet-101，后者是在 JFT 數(shù)據(jù)集上以極高計算成本訓(xùn)練出的。

可移植性：MorphNet 輸出的網(wǎng)絡(luò)具備可移植性，因為它們可以從頭開始訓(xùn)練，且模型權(quán)重并未與架構(gòu)學(xué)習(xí)過程綁定。你不必復(fù)制檢查點或按照特定的訓(xùn)練腳本執(zhí)行訓(xùn)練，只需正常訓(xùn)練新網(wǎng)絡(luò)即可。

Morphing Network

谷歌通過固定 FLOPs 將 MorphNet 應(yīng)用到在 ImageNet 數(shù)據(jù)集上訓(xùn)練的 Inception V2 模型上（詳見下圖）。基線方法統(tǒng)一縮小每個卷積的輸出，使用 width multiplier 權(quán)衡準確率和 FLOPs（紅色）。而 MorphNet 方法在縮小模型時直接固定 FLOPs，生成更好的權(quán)衡曲線。在相同準確率的情況下，新方法的 FLOP 成本比基線低 11%-15%。

將 MorphNet 應(yīng)用于在 ImageNet 數(shù)據(jù)集上訓(xùn)練的 Inception V2 模型后的表現(xiàn)。僅使用 flop regularizer（藍色）的性能比基線（紅色）性能高出 11-15%。一個完整循環(huán)之后（包括 flop regularizer 和 width multiplier），在相同成本的情況下模型的準確率有所提升（「x1」，紫色），第二個循環(huán)之后，模型性能得到繼續(xù)提升（「x2」，青色）。

這時，你可以選擇一個 MorphNet 網(wǎng)絡(luò)來滿足更小的 FLOP 預(yù)算。或者，你可以將網(wǎng)絡(luò)擴展回原始 FLOP 成本來完成縮放周期，從而以相同的成本得到更好的準確率（紫色）。再次重復(fù) MorphNet 縮小／放大將再次提升準確率（青色），使整體準確率提升 1.1%。

結(jié)論：谷歌已經(jīng)將 MorphNet 應(yīng)用到其多個生產(chǎn)級圖像處理模型中。MorphNet 可帶來模型大小/FLOPs 的顯著降低，且?guī)缀醪粫斐少|(zhì)量損失。