高效神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計與壓縮

案例背景:
隨著基于深度神經(jīng)網(wǎng)絡(luò)的計算機視覺技術(shù)落地拓廣，硬件的成本控制越來越嚴格，這對算法推理的性能、模型大小、資源占用、硬件適配等要求顯著提升，需要針對不同的硬件在模型結(jié)構(gòu)上進行針對性設(shè)計以實現(xiàn)低成本硬件也能取得很好的算法效果。而傳統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計依賴于人工的調(diào)整，適配硬件的成本很高，這使得我們需要有更自動化的方案來進行高效神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計。

解決思路:
針對上述問題，我們在模型壓縮和網(wǎng)絡(luò)結(jié)構(gòu)搜索兩項技術(shù)上進行了探索和應用，通過量化、剪枝、蒸餾、nas等技術(shù)的綜合應用，實現(xiàn)了高效神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的自動設(shè)計和訓練，相比原本的人工設(shè)計在效果、性能和時間成本上都有顯著的提升。

成果：
上述技術(shù)已經(jīng)成功應用于百度計算機視覺的多項產(chǎn)品和業(yè)務(wù)，基本取代了人工設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)的傳統(tǒng)做法，幫助百度的多項AI公有云能力和軟硬結(jié)合產(chǎn)品實現(xiàn)行業(yè)效果領(lǐng)先。同時我們也對內(nèi)和對外基于paddleslim進行技術(shù)的平臺化和開源，搭配paddlelite推理引擎可以在各類硬件部署上取得實際加速。