来源：TechWeb
【滤波器|刷新滤波器剪枝的SOTA效果，腾讯优图论文入选NeurIPS2020】近日 ， 腾讯优图实验室在模型压缩任务中获得创新性突破 ， 提出的基于滤波器骨架的逐条剪枝算法（Stripe-Wise Pruning ， SWP） ， 刷新了滤波器剪枝的SOTA效果 。 相关论文（Pruning Filter in Filter）已被机器学习领域的国际顶级会议Conference on Neural Information Processing Systems（NeurIPS 2020）收录 。
文章插图
Stripe-Wise Pruning与几种主流Pruning方式的区别
神经网络的具有结构和参数这两个属性 ， 这两个属性都具有重要意义 。 本文指出神经网络的滤波器除了通常使用的参数属性以外 ， 还有一种形状属性 。 形状属性之前一直隐含在参数中 ， 通过训练每个滤波器的参数使其获得不同的形状 。 滤波器的形状属性具有重要的意义 。 具有合适形状的滤波器 ， 即使参数是随机的 ， 也能具有较好的性能 。
因此本文通过一种名为滤波器骨架（Filter Skeleton ， FS）的模块来显性地学习滤波器的形状（如图中①） 。 当训练结束 ， 我们可以将FS乘回参数上 ， 因此不会引入额外的参数（如图中②） 。
文章插图
PFF方法流程示意图
对于不在骨架上的参数 ， 使用逐条裁剪的方法将其整条（stripe ， 1*1滤波器）裁剪掉 。
具体的 ， 首先通过卷积计算顺序的变换 ， 可以将滤波器从Filter wise等价变换为stripe wise（如图中③） 。 接下来就可以使用正常的滤波器剪枝方法对其进行裁剪（如图中④） 。
该方法的创新点包括：
（1） 提出滤波器除了参数属性外 ， 还存在形状属性 ， 并且形状属性具有重要意义 。
（2） 提出滤波器骨架的模块来学习滤波器的形状 ， 并可以指导模型剪枝 。
（3） 通过变换普通卷积为Stripe-Wise Convolution ， 结构化的实现逐条剪枝后的模型 。
文章插图
逐条剪枝算法在CIFAR10和ImageNet数据集上达到了SOTA效果 。
推荐阅读
![[快科技]小米10青春版邀请函图赏：哆啦A梦迷你抓娃娃机](http://ttbs.guangsuss.com/image/3edcbb553cbab8a02c1d1c782772809f)
- 用户|元旦当天苹果应用消费额超过5.4亿美元 刷新单日消费记录
- 摩托罗拉廉价新机“Ibiza”再度现身 支持90Hz刷新率
- iPhone 13机型曝光，Pro版支持120Hz屏幕刷新率
- 城市刷新正当时｜合肥城市宣传片震撼首发
- Galaxy Z Fold 3曝光：支持120Hz的刷新率
- 5G订单再次刷新，爱立信超118单，华为多少单？
- 2020最失败的手机巨头？出货量不足3亿，刷新9年来最低纪录
- 西安奕斯伟硅产业基地项目建设刷新我国建设大硅片制造项目的最快速度
- 马云巨资打造达摩院，拿下40余项全球第一后，再次刷新世界纪录
- 华为首款商用台式机小到刷新人们对台式机的认知