摘要

神经网络剪枝通过降低过参数化网络的计算开销，从而提升其运行效率。现有主流方法包括基于ℓ₁范数的稀疏化策略以及神经架构搜索（Neural Architecture Search, NAS）等。本文提出一种新型剪枝方法，该方法在优化剪枝后网络最终准确率的同时，还能够从过参数化父网络的内部层中提取知识进行蒸馏。为实现这一目标，我们将网络剪枝建模为一个背包问题（Knapsack Problem），以在神经元的重要性与其对应的计算成本之间实现最优权衡。在此框架下，我们对网络通道进行剪枝，同时保留网络的高层结构。随后，利用父网络内部知识对剪枝后的网络进行监督微调，这一技术我们称为内部知识蒸馏（Inner Knowledge Distillation）。实验结果表明，该方法在ImageNet、CIFAR-10和CIFAR-100数据集上，基于ResNet骨干网络，均取得了当前最优的剪枝性能。针对包含跳跃连接（skip-links）和深度可分离卷积（depth-wise convolutions）等复杂网络结构的剪枝任务，我们进一步提出一种块分组剪枝策略（block grouping approach），有效应对此类结构的剪枝挑战。基于该方法，我们构建出结构紧凑的模型，其浮点运算量（FLOPs）与EfficientNet-B0和MobileNetV3相当，但在ImageNet上的准确率分别提升了1%和0.3%，同时在GPU上具备更优的运行速度。