由 Arm 机器学习工具团队维护
本文概要介绍了权重聚类，帮助您确定它是否适合您的用例。
概览
聚类（或权重共享）可减少模型中唯一权重值的数量，从而带来部署优势。聚类首先将每层的权重分组成 N 个聚类，然后共享属于相应聚类的所有权重的聚类形心值。
此技术通过模型压缩改进了模型。未来的框架支持能够改善内存占用，这对在资源有限的嵌入式系统上部署深度学习模型具有重大意义。
我们尝试了视觉和语音任务方面的聚类。我们发现模型压缩的性能提升了 5 倍，并且对准确率造成的影响极低，如下文列出的结果所示。
请注意，如果批次归一化层前面有卷积层和密集层，以及将聚类与按每个轴的训练后量化相结合使用，聚类提供的优势较少。
API 兼容性矩阵
用户可以使用以下 API 来应用聚类：
- 模型构建：只能对序列模型和函数式模型使用
tf.keras - TensorFlow 版本：TF 1.x（包括版本 1.14 及更高版本）和 TF 2.x。
- 不支持对 TF 2.X 软件包使用
tf.compat.v1及对 TF 1.X 软件包使用tf.compat.v2。
- 不支持对 TF 2.X 软件包使用
- TensorFlow 执行模式：图执行和即刻执行
结果
图像分类
| 模型 | 原始 | 聚类 | ||||
|---|---|---|---|---|---|---|
| Top-1 准确率 (%) | 压缩的 .tflite 文件的大小 (MB) | 配置 | 聚类数量 | Top-1 准确率 (%) | 压缩的 .tflite 文件的大小 (MB) | |
| MobileNetV1 | 70.976 | 14.97 | ||||
| 局部（最后 3 个 Conv2D 层） | 16, 16, 16 | 70.294 | 7.69 | |||
| 局部（最后 3 个 Conv2D 层） | 32, 32, 32 | 70.69 | 8.22 | |||
| 完整（所有 Conv2D 层） | 32 | 69.4 | 4.43 | |||
| MobileNetV2 | 71.778 | 12.38 | ||||
| 局部（最后 3 个 Conv2D 层） | 16, 16, 16 | 70.742 | 6.68 | |||
| 局部（最后 3 个 Conv2D 层） | 32, 32, 32 | 70.926 | 7.03 | |||
| 完整（所有 Conv2D 层） | 32 | 69.744 | 4.05 | |||
这些模型已在 ImageNet 上进行了训练和测试。
关键字检测
| 模型 | 原始 | 聚类 | ||||
|---|---|---|---|---|---|---|
| Top-1 准确率 (%) | 压缩的 .tflite 文件的大小 (MB) | 配置 | 聚类数量 | Top-1 准确率 (%) | 压缩的 .tflite 文件的大小 (MB) | |
| DS-CNN-L | 95.233 | 1.46 | ||||
| 完整（所有 Conv2D 层） | 32 | 95.09 | 0.39 | |||
| 完整（所有 Conv2D 层） | 8 | 94.272 | 0.27 | |||
该模型已在 SpeechCommands v0.02 上进行了训练和测试。
- 将 Keras 模型序列化为 .h5 文件
- 使用
TFLiteConverter.from_keras_model_file()将 .h5 文件转换为 .tflite - 将 .tflite 文件压缩成 zip 文件
示例
除了 Keras 中的权重聚类示例之外，还可参阅以下示例：
- 对用 MNIST 手写数字分类数据集训练的 CNN 模型进行权重聚类：代码
权重聚类实现基于《深度压缩：使用剪枝、经过训练的量化和霍夫曼编码压缩深度神经网络》(Deep Compression: Compressing Deep Neural Networks With Pruning, Trained Quantization and Huffman Coding) 一文。请参阅第 3 章“经过训练的量化和权重共享”(Trained Quantization and Weight Sharing)。