Comments (6)
博主你好,我计算出每层卷积的FLOPs后,发现不论是按照升序还是降序,都与实际剪枝顺序不符合,这是什么问题呢
您好,感谢您对工作的关注。
如果关于您的问题理解正确的话,本文的排序对象准确来说应该是各层剪枝一定比例后的FLOPs压缩贡献,这个和您所计算的每层卷积的FLOPs概念有一些区别。区别主要来源于各层剪枝的时候不仅减少了自身所在层的FLOPs,也会减少其它依赖层的FLOPs,因此不能直接等价地将卷积层自身的FLOPs视作本文提出的FLOPs压缩贡献,这应该是不匹配的原因。
希望上述回复能解答您的相关疑问。若仍有疑惑,欢迎进一步交流。
from pagcp.
关于这个问题我明白了,谢谢您,看了您发表的论文中剪枝框图和实验部分后,我还有一个关于在YOLO模型剪枝训练的问题想请教您,整个剪枝流程是下面我所描述的哪种呢:一、训练一个基础模型,然后不断调整初始层损失等超参数对基础模型进行剪枝,直到达到满意的剪枝效果;二、训练一个基础模型,以固定的超参数对模型进行剪枝重训练后,再将剪枝后的模型作为新的基础模型进行剪枝重训练,直到达到满意的剪枝效果。抱歉频繁打扰您了,感谢您的解答。
from pagcp.
关于这个问题我明白了,谢谢您,看了您发表的论文中剪枝框图和实验部分后,我还有一个关于在YOLO模型剪枝训练的问题想请教您,整个剪枝流程是下面我所描述的哪种呢:一、训练一个基础模型,然后不断调整初始层损失等超参数对基础模型进行剪枝,直到达到满意的剪枝效果;二、训练一个基础模型,以固定的超参数对模型进行剪枝重训练后,再将剪枝后的模型作为新的基础模型进行剪枝重训练,直到达到满意的剪枝效果。抱歉频繁打扰您了,感谢您的解答。
一般而言,本文所提的整个剪枝流程遵循的是迭代式剪枝,也就是您描述的第二种方式。这种迭代式剪枝流程适用于大比例压缩的目标,当压缩目标比例较小时,可以选择第一种,即只剪一次,其中通过调整超参实现相似压缩比例下性能最大程度保留。
from pagcp.
关于这个问题我明白了,谢谢您,看了您发表的论文中剪枝框图和实验部分后,我还有一个关于在YOLO模型剪枝训练的问题想请教您,整个剪枝流程是下面我所描述的哪种呢:一、训练一个基础模型,然后不断调整初始层损失等超参数对基础模型进行剪枝,直到达到满意的剪枝效果;二、训练一个基础模型,以固定的超参数对模型进行剪枝重训练后,再将剪枝后的模型作为新的基础模型进行剪枝重训练,直到达到满意的剪枝效果。抱歉频繁打扰您了,感谢您的解答。
一般而言,本文所提的整个剪枝流程遵循的是迭代式剪枝,也就是您描述的第二种方式。这种迭代式剪枝流程适用于大比例压缩的目标,当压缩目标比例较小时,可以选择第一种,即只剪一次,其中通过调整超参实现相似压缩比例下性能最大程度保留。
感谢您的回答,祝您未来不断有更好的成果出现,谢谢您
from pagcp.
关于这个问题我明白了,谢谢您,看了您发表的论文中剪枝框图和实验部分后,我还有一个关于在YOLO模型剪枝训练的问题想请教您,整个剪枝流程是下面我所描述的哪种呢:一、训练一个基础模型,然后不断调整初始层损失等超参数对基础模型进行剪枝,直到达到满意的剪枝效果;二、训练一个基础模型,以固定的超参数对模型进行剪枝重训练后,再将剪枝后的模型作为新的基础模型进行剪枝重训练,直到达到满意的剪枝效果。抱歉频繁打扰您了,感谢您的解答。
一般而言,本文所提的整个剪枝流程遵循的是迭代式剪枝,也就是您描述的第二种方式。这种迭代式剪枝流程适用于大比例压缩的目标,当压缩目标比例较小时,可以选择第一种,即只剪一次,其中通过调整超参实现相似压缩比例下性能最大程度保留。
您好,我看论文中关于超参数对模型剪枝影响的实验中,涉及到剪枝率pruning ratio和掩蔽比masking ratio,我想请教您,我在自己应用剪枝算法时,这两个参数是否需要进行调整呢,需要调整的话,是在代码哪个部分进行修改,还是说按照您给出的命令行代码,只对初始层损失、总体性能损失和滤波比进行修改即可
from pagcp.
关于这个问题我明白了,谢谢您,看了您发表的论文中剪枝框图和实验部分后,我还有一个关于在YOLO模型剪枝训练的问题想请教您,整个剪枝流程是下面我所描述的哪种呢:一、训练一个基础模型,然后不断调整初始层损失等超参数对基础模型进行剪枝,直到达到满意的剪枝效果;二、训练一个基础模型,以固定的超参数对模型进行剪枝重训练后,再将剪枝后的模型作为新的基础模型进行剪枝重训练,直到达到满意的剪枝效果。抱歉频繁打扰您了,感谢您的解答。
一般而言,本文所提的整个剪枝流程遵循的是迭代式剪枝,也就是您描述的第二种方式。这种迭代式剪枝流程适用于大比例压缩的目标,当压缩目标比例较小时,可以选择第一种,即只剪一次,其中通过调整超参实现相似压缩比例下性能最大程度保留。
您好,我看论文中关于超参数对模型剪枝影响的实验中,涉及到剪枝率pruning ratio和掩蔽比masking ratio,我想请教您,我在自己应用剪枝算法时,这两个参数是否需要进行调整呢,需要调整的话,是在代码哪个部分进行修改,还是说按照您给出的命令行代码,只对初始层损失、总体性能损失和滤波比进行修改即可
这两个参数是可调的,不过我们在主实验部分对不同模型进行压缩的时候基本没有调过这两个超参,所以总体而言可以优先调整命令行中的三个超参,如果始终达不到理想压缩效果的话可以再调整这两个超参。
from pagcp.
Related Issues (20)
- 怎么导出onnx格式? HOT 9
- Compression result of Faster Rcnn on COCO HOT 1
- compress.py文件运行不成功 HOT 1
- Error while replicating the flow suggested in Readme.md HOT 1
- 问题咨询 HOT 2
- 如何提高剪枝率 HOT 9
- 为何没有YOLOv5s的剪枝测试? HOT 1
- 修改网络模型后如何修改相应文件 HOT 2
- 请问为什么要设立三个分组?
- W
- 如何重複剪枝 HOT 3
- 报错 HOT 2
- yolov8 pruning HOT 4
- 剪枝后推理速度 HOT 1
- Pruning based on self built datasets HOT 1
- Γ? HOT 1
- Selecting the channels
- Code for NYUv2 Dataset
- opt.part?
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.
from pagcp.