一、DepGraph剪枝

（1）项目准备

• 基础知识背景
  ①稀疏：在模型剪枝（Model Pruning）中，稀疏表示（Sparsity）是指通过某种方式使模型的参数或结构中出现大量的零值（或接近零的值），从而让模型的表示变得 “稀疏”
  ②为什么要剪枝而不是去训练小网络：因为彩票事件效应，去小网络是很难学习成功的
  彩票效应：大模型有很多小网络，如果有一个子网络训练成功则可以看做大模型训练成功
  
  
  把模型随机初始化后训练，剪枝后如果再次随机初始化权重是很难训练成功的，但是如果用原先第一次随机初始化的权重训练的话就成功，这就说明中奖了

1）剪枝基础知识

之前我有写过博客
CUDA与TensorRT学习四：模型部署基础知识、模型部署的几大误区、模型量化、模型剪枝、层融合

①剪枝分类

②粗粒度剪枝和细粒度剪枝对比
粗粒度

细粒度剪枝

③基础知识
1）神经网络通常都是过度参数化，权重数很多都是多余的
2）剪枝颗粒度
（1）权重剪枝
权重剪枝，剪枝之后就变成非规则，缺点是难以实现，难以加速

（2）神经元剪枝

• 补充
  还有不同颗粒度剪枝
  
  ）element wise包括了权重和神经元剪枝，可能会导致非结构化剪枝，得不到GPU加速
  ）其他四个是结构化剪枝，能得到GPU加速是研究重点

channel：通道剪枝
filter：滤波器剪枝
shape：若干个高度和宽度的神经元剪枝
depth：某个深度方向的神经元都剪枝掉

2）DepGraph剪枝论文解读1

①论文截图

②网络架构中可按照不同层数分配在各个组中，按组来剪枝（同一组有依赖关系）

如图所示 CNNS、Transformer、RNNs、 GNNs都可以剪枝。在图中如果剪枝了CNNs的Con v2，那就必须删除同组中的{ Conv1、BN1、 BN2} ，从而引入了依赖图,明确依赖图来自动化剪枝

③算法核心:利用相邻层的局部依赖关系，递归地推导出需要的分组矩阵G

如下图，a是非结构化剪枝仅仅关注了权重的重要性，b学习结构稀疏层，但是w比w‘耦合权重更多是不稀疏的，也不考虑剪枝掉，唯有c组是学习组的一致结构稀疏，表示的是要剪枝掉的组里面w和w’都是稀疏的

④相关工具：基于DepGraph算法，作者开发Pytorch结构化剪枝框架Torch-Pruning，与torch.nn.utils.prune最大的差别在于：它会物理地移除参数，同时自动裁剪其他依赖层，而后者只能把参数置为0
④DepGraph剪枝+fine效果展示：

可以看到横轴往右随着剪枝越多，计算量MACs越低，pruned mAP掉点越跳跃，而fine-tune后的模型精度基本变化不大

1)MACs
MACs（Multiply - Accumulate Operations，乘累加操作次数 ）代表计算量。它用于衡量模型在推理过程中执行乘法和累加操作的总数，是评估模型计算复杂度的重要指标
2)pruned mAP
表示剪枝后的模型精度
3)recovered mAP
剪枝后的模型微调后的精度

2）DepGraph剪枝论文解读2

（1）问题点-现有的剪枝存在问题：算法实现和网络结构强绑定，需要为不同模型分别开发专用且复杂的剪枝程序

(2)解决方法-依赖图:自动方式去分组

（3）原理解析：利用相邻层的局部关系递归式分组

3）YOLO目标检测系列发展史

4）YOLO网络架构

（2）项目实战（YOLOv8应用DepGraph剪枝+finetune）

1）安装软件环境（基础环境、Pytorch、YOLOv8）

①准备基础环境
②安装PyTorch
③克隆和安装YOLOv8

2）准备数据集和修改配置

①准备数据集
②修改配置文件

3）训练数据集、测试训练的网络测试和性能评估

4）DepGraph剪枝训练YOLOv8

5）剪枝训练后网络测试和性能评估

（3）代码解析

1）Torch Pruning工具包介绍

2）yolov8_pruning脚本代码解析

二、Network Slimming剪枝

（1）项目准备

1）Network Slimming剪枝原理

2）YOLO目标检测系列发展史

3）YOLOv8网络架构

（2）项目实战

1）安装基础环境、安装Pytorch、安装YOLOv8

2）准备数据集、修改配置文件、训练数据集

3）测试训练处的网络和性能统计

4）稀疏化训练

5）网络剪枝

6）剪枝后微调

（3）代码解析

1）修改代码文件解析

2）新增代码文件解析