Được bảo trì bởi Arm ML Tooling
Tài liệu này cung cấp tổng quan về phân cụm trọng lượng để giúp bạn xác định cách nó phù hợp với trường hợp sử dụng của bạn.
- Để đi sâu vào ví dụ end-to-end, hãy xem ví dụ phân nhóm trọng số .
- Để nhanh chóng tìm thấy các API bạn cần cho trường hợp sử dụng của mình, hãy xem hướng dẫn toàn diện về phân cụm trọng số .
Tổng quat
Phân cụm, hoặc chia sẻ trọng số, làm giảm số lượng giá trị trọng số duy nhất trong một mô hình, dẫn đến lợi ích cho việc triển khai. Đầu tiên, nó nhóm các trọng số của mỗi lớp thành N cụm, sau đó chia sẻ giá trị centroid của cụm cho tất cả các trọng số thuộc cụm.
Kỹ thuật này mang lại những cải tiến thông qua nén mô hình. Hỗ trợ khuôn khổ trong tương lai có thể mở khóa các cải tiến về dấu chân bộ nhớ có thể tạo ra sự khác biệt quan trọng cho việc triển khai mô hình học sâu trên các hệ thống nhúng với tài nguyên hạn chế.
Chúng tôi đã thử nghiệm với việc phân nhóm giữa các nhiệm vụ thị giác và giọng nói. Chúng tôi đã chứng kiến những cải tiến lên đến 5 lần trong việc nén mô hình với độ chính xác tối thiểu, như được chứng minh bằng kết quả trình bày bên dưới.
Xin lưu ý rằng phân cụm sẽ cung cấp lợi ích giảm bớt cho các lớp chập và dày đặc trước lớp chuẩn hóa hàng loạt, cũng như kết hợp với lượng tử hóa sau đào tạo trên mỗi trục.
Ma trận tương thích API
Người dùng có thể áp dụng phân cụm với các API sau:
- Xây dựng mô hình:
tf.keras
chỉ với các mô hình Tuần tự và Chức năng - Phiên bản TensorFlow: TF 1.x cho phiên bản 1.14+ và 2.x.
-
tf.compat.v1
với gói TF 2.X vàtf.compat.v2
với gói TF 1.X không được hỗ trợ.
-
- Chế độ thực thi TensorFlow: cả biểu đồ và háo hức
Các kết quả
Phân loại hình ảnh
Mô hình | Nguyên | Thành cụm | ||||
---|---|---|---|---|---|---|
Độ chính xác hàng đầu (%) | Kích thước của .tflite nén (MB) | Cấu hình | # trong số các cụm | Độ chính xác hàng đầu (%) | Kích thước của .tflite nén (MB) | |
MobileNetV1 | 71.02 | 14,96 | ||||
Chọn lọc (3 lớp Conv2D cuối cùng) | 256, 256, 32 | 70,62 | 8,42 | |||
Đầy đủ (tất cả các lớp Conv2D) | 64 | 66.07 | 2,98 | |||
MobileNetV2 | 72,29 | 12,90 | ||||
Chọn lọc (3 lớp Conv2D cuối cùng) | 256, 256, 32 | 72,31 | 7.00 | |||
Đầy đủ (tất cả các lớp Conv2D) | 32 | 69,33 | 2,60 |
Các mô hình đã được đào tạo và thử nghiệm trên ImageNet.
Phát hiện từ khóa
Mô hình | Nguyên | Thành cụm | ||||
---|---|---|---|---|---|---|
Độ chính xác hàng đầu (%) | Kích thước của .tflite nén (MB) | Cấu hình | # trong số các cụm | Độ chính xác hàng đầu (%) | Kích thước của .tflite nén (MB) | |
DS-CNN-L | 95.03 | 1,5 | Đầy | 32 | 94,71 | 0,3 |
Các mô hình đã được đào tạo và thử nghiệm trên SpeechCommands v0.02.
- Tuần tự mô hình Keras thành tệp .h5
- Chuyển đổi tệp .h5 thành .tflite bằng
TFLiteConverter.from_keras_model_file()
- Nén tệp .tflite thành một tệp zip
Ví dụ
Ngoài ví dụ về cụm Trọng lượng trong Keras , hãy xem các ví dụ sau:
- Nhóm các trọng số của mô hình CNN được đào tạo trên bộ dữ liệu phân loại chữ số viết tay MNIST: mã
Việc thực hiện trọng lượng phân nhóm dựa trên Deep Nén: Nén sâu Neural Networks Với Tỉa, đào tạo Quantization và Huffman Mã hóa giấy . Xem chương 3, có tiêu đề Lượng tử hóa được Đào tạo và Chia sẻ Trọng lượng .