邊策 魚羊 發自 凹非寺量子位 報導 | 公眾號 QbitAI
現如今，GAN的效果已經越來越出神入化。
比如英偉達的GauGAN，就如神筆馬良，能夠憑空造物：
不過，從無化有背後，計算量也相當驚人。
以GauGAN為例，與MobileNet-v3這樣的識別CNN相比，參數只相差1個數量級（4.2 : 93）計算強度卻高出了2個數量級（0.5 : 281）。
如此一來，交互式部署就變得很困難。
更直白來說，想要把模型部署到手機、平板這樣的終端，換裝變臉轉性別，這些邊緣設備——吃不太消。
為了解決這一問題，來自MIT、Adobe研究院和上海交通大學的團隊琢磨出了一個通用壓縮框架。
有多強？
一舉將CycleGAN的計算量減少了20倍以上，將GauGAN的計算量減少了9倍，簡筆畫到實物圖的pix2pix也能駕馭，效果卻未差分毫。
值得一提的是。論文已入選CVPR 2020，代碼也已開源。
作者團隊也星光璀璨，一作是來自上海交通大學ACM班的本科生李沐陽，CycleGAN的作者朱俊彥則親身參與、指導。
GAN壓縮算法
壓縮GAN，並不像壓縮其他CNN模型那樣容易。
主要原因：GAN的訓練動力學高度不穩定，生成器與鑑別器之間存在巨大的結構差異，讓我們很難使用現有的CNN壓縮算法。
為了解決這個問題，作者提出了針對有效生成模型量身定製的訓練方案，並通過神經架構搜索（NAS）進一步提高壓縮率。
GAN壓縮的框架如下圖所示，主要分為3個部分：
1、給定一個預訓練的teacher生成器G』，通過蒸餾的方法獲取一個較小的「once-for-all」的student生成器G，其中包括通過權重共享的所有可能通道數。在每個訓練步驟中選擇不同的通道數ck。
2、從「once-for-all」生成器中提取許多子生成器，並評估其性能，無需重新訓練，這也是被叫做once-for-all（一勞永逸）的原因。
3、最後，根據給定的壓縮率目標和性能目標，選擇最佳子生成器，進行微調，並獲得最終的壓縮模型。
構造合適的損失函數
因為GAN壓縮算法要面對CycleGAN、pix2pix還有GauGAN，這些模型的損失函數都不盡相同，所以需要構造一個新的損失函數。
統一未配對和配對學習
有些GAN是通過配對數據集學習的，有些則是非配對數據集。因此要在損失函數中加入第二項，統一非配對和配對學習的損失：
繼承teacher鑑別器
儘管目標是壓縮生成器，但是鑑別器會存儲學習到GAN知識，因為它會發現當前生成器的缺點。
因此，我們採用相同的鑑別器架構，使用teacher預訓練的權重，並與我們的壓縮生成器一起對鑑別器進行微調。預訓練的鑑別器可以指導student生成器的訓練。
初始化的student鑑別器D使用來自teacher鑑別器D』的權重。
中間特徵蒸餾
蒸餾是CNN中廣泛使用的模型壓縮方法。
CNN模型壓縮的一種廣泛使用的方法是知識蒸餾。通過匹配輸出層的logits，可以將知識從teacher模型轉移到student模型，從而提高後者的表現。
最後完整的損失函數為：
其中超參數λrecon和λdistill控制後兩項的權重。
高效的生成器設計空間
選擇設計良好的student體系結構對於最終進行知識蒸餾至關重要。
簡單地縮小teacher模型的通道數並不能產生緊湊的student模型，一旦計算量的壓縮比超過4倍，性能就會開始顯著下降。
預測可能的原因之一是，現有的生成器採用的圖像識別模型，可能不是圖像合成任務的最佳選擇。
下面，作者展示了如何從現有的cGAN生成器中獲得更好的架構設計空間，並在該空間內執行神經架構搜索（NAS）。
卷積分解和層敏感性
近來高效的CNN設計，廣泛採用了卷積分解的方法，證明了在性能與計算之間的權衡取捨。作者發現使用分解的卷積，也有利於cGAN中的生成器設計。
然而實驗表明，將分解直接應用於所有卷積層，將大大降低圖像質量。但是可以只有某些層分解會降低性能，而某些層則更魯棒。
在ResNet生成器中，resBlock層消耗了大部分模型參數和計算成本，而幾乎不受分解的影響。相反，上採樣層的參數要少得多，但是對模型壓縮相當敏感，適度的壓縮也會導致FID大幅下降。
NAS自動裁剪通道
現在的生成器在所有層上都使用手動設計，因此通道數會有冗餘。為了進一步壓縮模型，作者使用通道修剪自動選擇生成器的通道寬度減少冗餘，可以二次減少計算量。
對於每個卷積層，可以從8的倍數中選擇通道數，可以平衡MAC和硬體並行性。
解耦訓練和結構搜索
為了解決該問題，作者遵循one-shot神經體系結構搜索方法的最新工作，將模型訓練與體系結構搜索分離 。
先訓練一個支持所有通道的「once-for-all」網絡，具有不同數量通道的每個子網絡都經過同等訓練，可以獨立運行，子網絡與「once-for-all」網絡共享權重。
在訓練了「once-for-all」網絡後，通過直接在驗證集上評估每個候選子網絡的性能來找到最佳子網。由於「once-for-all」網絡經過權重共享的全面訓練，因此無需進行微調。
通過這種方式，我們可以將訓練和搜索生成器體系結構分離開來：只需要訓練一次，在無需進一步訓練的情況下評估所有可能的通道配置，並選擇最佳的作為搜索結果。
實驗結果
最終實驗結果如下：
GAN壓縮將乘法累加運算（MAC）的數量減了9~21倍。
這種方法將CycleGAN的計算量減少了20倍以上，將pix2pix的計算量減少了9倍，將GauGAN的計算量減少了9倍。
而且不僅能在GPU上加速，在各種各種各樣的CPU上也可以實現加速，而且加速效果在CPU上更明顯。
代碼開源
現在，這一GAN壓縮框架已經開源，數據集和預訓練模型均可下載。
如果想要上手親測，需要的環境是：
LinuxPython 3CPU or NVIDIA GPU + CUDA CuDNN同時，研究團隊也準備了CycleGAN和pix2pix兩個版本的PyTorch Colab，在線即可體驗。
試試用CycleGAN把普通馬變斑馬的效果。
首先把GAN Compression這個項目克隆下來：
!git clone https://github.com/mit-han-lab/gan-compression.git
下載測試數據集：
!bash datasets/download_cyclegan_dataset.sh horse2zebra
下載預訓練模型：
python scripts/download_model.py —model pix2pix —task edges2shoes-r —stage full
python scripts/download_model.py —model pix2pix —task edges2shoes-r —stage compressed
下面，就是見證換皮的時刻：
效果差距大不大，肉眼看了不算，還是要計算一下FID（用於評估GAN生成圖像的質量，分數越低代表與真實圖像越相似）。
該項目提供了幾個數據集的真實統計信息：
bash ./datasets/download_real_stat.sh horse2zebra A
bash ./datasets/download_real_stat.sh horse2zebra B
測試的結果顯示，原始CycleGAN的FID是65.687，壓縮後，模型的FID是65.312，兩者差距不大。
但在MAC、參數規模和延遲方面，壓縮模型都要遠遠小於原始模型。
上海交大本科生一作，朱俊彥&韓松加持
論文一作，是上海交通大學ACM班大四本科生李沐陽。
2019年7月-今年1月，李沐陽師從MIT韓松教授和朱俊彥教授，在MIT Han Lab擔任研究助理，這篇CVPR 2020論文就是在此期間產出。
目前，李沐陽的研究興趣在於機器學習、系統以及計算機圖形學等領域，他計劃在今年畢業之後繼續讀博深造。
科研之餘，李沐陽同學的一大愛好是唱歌。在他的個人主頁上，他還分享了自己的唱吧連結，以及個人MV。
論文的另外幾位作者，分別是：
Ji Lin，本科畢業於清華大學，現於MIT就讀博士。
丁堯堯，同樣是來自上海交大ACM班的本科生，和李沐陽同在MIT Han Lab擔任研究助理，受韓松教授指導。
Zhijian Liu，本科畢業於上海交大，現於韓松教授門下就讀博士。
朱俊彥，李沐陽的指導者之一。這位青年大牛無需多介紹，CycleGAN作者，國際頂會ACM SIGGRAPH 2018最佳博士論文獎獲得者。現為Adobe研究科學家，今年秋天將回歸母校CMU擔任助理教授。
韓松，MIT EECS助理教授，同樣是AI業界大牛。博士畢業於史丹福大學，曾斬獲ICLR 2016最佳論文、FPGA 2017最佳論文。
傳送門
論文地址：https://arxiv.org/abs/2003.08936
GitHub：https://github.com/mit-han-lab/gan-compression
李沐陽個人主頁：https://lmxyy.me
Colab：https://colab.research.google.com/github/mit-han-lab/gan-compression/blob/master/cycle_gan.ipynbhttps://colab.research.google.com/github/mit-han-lab/gan-compression/blob/master/pix2pix.ipynb
— 完 —