近年来，深度学习在工业领域的应用越来越广泛，不但提升了企业的自动化生产效率，还为企业的重要决策提供了数据支撑，AI 正逐步改变人们的生活和生产方式。由于深度神经网络计算复杂度高、参数量大，极大限制了模型的部署场景，尤其是移动嵌入式设备端。因此模型小型化技术成为最近几年学术界和工业界研究的热点。
PaddleSlim 是基于飞桨框架、功能完备、完全开源的深度学习模型压缩工具。集深度学习模型压缩中常用的量化、剪裁、蒸馏、模型结构搜索、模型硬件搜索等方法于一体，满足更多的工业部署场景需求，进一步降低了深度学习在工业领域应用的门槛。
PaddleSlim 于2019年 Q1 首次发布，至今已经历经了四个版本的打磨。本次发布的PaddleSlim 1.0在易用性、模型适配、端侧部署、性能提升等方面都有了显著提升，并在百度人脸 SDK 中成功应用，实现在嵌入式设备上，0.3秒内完成人脸检测、跟踪、活体检测、识别等全流程操作，助力百度发布了业内最领先的壁虎、疫情体温测试等系列硬件。
PaddleSlim 1.0发布了10个关键特性，下面我们一同感受下它在模型压缩上的不同之处。
飞桨 PaddleSlimV1.0 项目地址：
https://github.com/PaddlePadd...
图1 百度壁虎人脸识别终端
- 定制 YOLO 蒸馏方案，刷新 COCO 检测任务精度
模型蒸馏是将复杂网络中的有用信息提取出来，迁移到一个更小的网络中去，从而达到节省计算资源的目的。PaddleSlim 1.0在支持传统蒸馏方法和基于 FSP（Flow of Solution Procedure）蒸馏方法的同时，还支持针对不同的任务，自定义 Loss 的蒸馏策略。
在 ImageNet 分类任务上，将 MobileNetV2 精度进一步提升了2.1%，此外 PaddleSlim 1.0还联合 PaddleDetection 开发了针对 YOLO 系列模型的蒸馏方案，在 COCO 目标检测数据集上精度提高2%以上。
表1 蒸馏策略部分实验结果
- 基于敏感度无损剪裁目标检测模型 ，裁剪后精度不降反增
为了最大化模型剪枝效果，PaddleSlim 在之前的版本中实现了基于网络结构敏感度进行剪枝的方案，PaddleSlim1.0 支持模型敏感度的多机、多线程并行加速计算。用户可以根据计算结果绘制要裁剪模型的敏感度折线图，然后从中选取一组合适的剪裁率，或者直接调用 PaddleSlim 提供的接口自动生成一组合适的剪裁率。
图2 卷积层敏感度折线图
模型裁剪最大的难题是准确找出网络中所有与被剪卷积相关的节点，通常做法是以全局视角进行遍历，但可扩展性不强。PaddleSlim 1.0采用以网络节点为视角进行遍历，找出所有与被剪卷积相关的节点，相当于把复杂网络的遍历任务分摊给了各个类型的网络节点，从而提升了可扩展性，在理论上可以支持任意复杂的网络。
在目标检测任务中，可以在不降低模型精度的情况下，进行大比例的剪枝，个别任务剪枝后精度反而有所提升。
表2 基于敏感度的剪裁方法部分实验结果
- 支持网络可配置量化，新增离线量化模型预测速度成倍数提升
定点量化的目的是将神经网络前向过程中浮点数运算（float32）量化为整数（int8）运算，以达到计算加速的目的。PaddleSlim 1.0在定点量化的功能上，还支持了网络可配置量化，可以对用户指定的局部网络进行量化，即敏感层继续用浮点数进行计算，以减小精度损失。
为了减少量化训练的开销，PaddleSlim 1.0还新增了离线量化功能，大部分任务在不进行 re-train 的情况下也能达到较高的量化的精度。
PaddleSlim 1.0支持对卷积层、全连接层、激活层、BIAS 层和其它无权重的层量化。实验证明，定点量化最高可以使模型减小到原来的约1/4，基于 Paddle Lite 预测部署框架，不同模型可实现1.7倍~2.2倍的加速。
表3 int8部分定点量化训练实验结果
- 全新的 NAS 架构，搜索更快速、结构更灵活
PaddleSlim 1.0开放了更加灵活的 NAS API，预定义了更丰富的搜索策略和搜索空间。将搜索空间和搜索策略完全解耦，方便用户扩展搜索策略和搜索空间。
在搜索策略层面，之前版本已经支持模拟退火（Simulated Annealing， 简称SA）算法，相比传统 RL 算法，收敛速度更快，迭代步骤更少。支持分布式SA搜索策略，确保40GPU卡以内搜索速度线性加速。
本次升级新增了目前热门的基于超网络（HyperNet）的 One-Shot NAS 自动搜索方法，One-Shot NAS 将超网络训练与搜索完全解耦，可以灵活的适用于不同的约束条件，超网络训练过程中显存占用低，所有结构共享超网络权重，搜索耗时加速显著，同时还研发了基于自监督的排序一致性算法，以确保超网络性能与模型最终性能的一致性。
在搜索空间层面，新增对 MobileNet、ResNet、Inception 等多种类型的搜索空间，同时还支持多个不同类型的搜索空间堆叠进行搜索，用户也可自定义搜索空间。
图3 One-Shot 网络结构搜索原理
表4 ImageNet 任务上 One-Shot 搜索加速收益
实验结果表明，对比单卡 SA 搜索策略，单卡 One-Shot 策略实现搜索速度加快10倍以上。
- 创新的硬件搜索技术为不同硬件自动匹配最优模型
由于不同硬件架构的差异，需要人工进行繁琐的硬件适配工作，硬件搜索就是要解决在硬件适配过程中，为特定硬件定制最优模型结构的问题。
在搜索最优模型结构的过程中，如何快速获得模型在硬件上的实际性能是首先需要解决的问题，传统的 FLOPs 无法准确表示模型在真实硬件环境上的性能，PaddleSlim 1.0支持基于 Operator 查表进行网络延时预估的方法。
用户只需在硬件上建立 Operator 延时表，并在网络生成后基于 Operator 延时表、网络延时评估器、网络结构即可快速获得网络在硬件上的延时情况。
图4 SANAS硬件搜索原理及过程
表5 各硬件平台使用硬件搜索加速后收益（ImageNet 任务上相比 MobileNetV2）
- 新增大规模可扩展知识蒸馏框架Pantheon
支持分布式蒸馏，实现 teacher 和 student 在不同 GPU 或不同机器上进行蒸馏。避免当 teacher 和 student 过大，出现无法运行的情况。在单机图像分类蒸馏任务上，该方法能降低蒸馏耗时约50%。
图5 大规模蒸馏原理图
- 支持分类、检测、分割多个场景多种策略自由组合
PaddleSlim 1.0支持多种压缩策略组合使用，以达到最高的压缩比。在分类任务上，实现了模型大小减小70%，准确提升1%。
表6 ImageNet 分类任务的部分模型压缩效果
在目标检测任务上，实现了 COCO 任务提升0.6%，FLOPs 减小43%。
表7 目标检测模型部分模型压缩效果
- 实现“模型训练->模型压缩->预测部署”全流程应用
PaddleSlim 基于飞桨完善的技术生态，实现了从“模型训练->模型压缩->预测部署”的全流程应用，压缩后的模型可无缝落地各种硬件环境。
图6 压缩与部署流程
表8 目标检测模型部署在服务端和移动端的耗时数据
测试数据表明，MobileNetv1-YOLOv3 在移动端不同设备上提速约127%~137%。
表9 ImageNet 分类模型部署在服务端和移动端的部分性能
- 轻量级接口设计，实现各策略解耦大大缩短编码耗时
PaddleSlim 1.0实现了全新接口设计，通过算法独立实现不同压缩方法之间的代码解耦，每个方法既可独立使用，又可混合使用，大大缩短了编码耗时。此外接口设计更加简单，用户只需要在原有工程上添加如下几行代码，即可快速实现模型压缩。
下面我们构造一个 MobileNetV1 图像分类模型，并剪裁其中两个卷积层，观察剪裁后的FLOPs，代码示意如下：
如果想了解和使用完整代码，请打开下方链接查看图像分类模型通道剪完整代码示例：
https://aistudio.baidu.com/ai...
如果您想了解更多的关于裁剪的代码示例，请打开下方链接查看高级剪裁教程：
https://aistudio.baidu.com/ai...
如上完整代码在百度开发实训平台 AI Studio 上可在线运行，进入链接的地址后，选择 “登录 AI Stuido -> 单击 Fork ->启动项目”即可。
- 完善的中英文文档为全球开发者和合作伙伴提供更友好的支持
同步开发者建议，完善了中文文档，并新增英文文档，为全球 PaddleSlim 开发者和合作伙伴提供了更友好的支持。
当前，PaddleSlim 已经在业内领先的壁虎人脸识别套件、AI 测温等系列产品上成功商用。在第15届百度之星开发者大赛中，PaddleSlim 作为模型小型化赛题中的重要工具，被来自全国90%双一流高校和相关研究的1800多支参赛队使用。
百度之星开发者大赛更多内容打开下方链接：
http://astar2019.baidu.com/in...
未来，飞桨 PaddleSlim 愿与广大 AI 开发者、爱好者和合作伙伴携手，共同探索模型小型化的领先技术，为 AI 在工业领域中的广泛应用，持续贡献力量。
如果您加入官方 QQ 群，您将遇上大批志同道合的深度学习同学。
官方 QQ 群：703252161。
如果您想详细了解更多飞桨的相关内容，请参阅以下文档：
官网地址：
https://www.paddlepaddle.org.cn
飞桨 PaddleSlim 项目地址：
https://github.com/PaddlePadd...
