你还在为神经网络模型里的冗余信息烦恼吗？
或者手上只有CPU，对一些只能用昂贵的GPU建立的深度学习模型“望眼欲穿”吗？
最近，创业公司Neural Magic带来了一种名叫新的稀疏化方法，可以帮你解决烦恼，让你的深度学习模型效率“一节更比七节强”！
Neural Magic是专门研究深度学习的稀疏方法的公司，这次他们发布了教程：用recipe稀疏化YOLOv3。
听起来有点意思啊，让我们来看看是怎么实现的~
稀疏化的YOLOv3使用剪枝（prune）和量化（quantize）等算法，可以删除神经网络中的冗余信息。
这种稀疏化方法的好处可不少。
它的推断速度更快，文件更小。
但是因为过程太复杂，涉及的超参数又太多，很多人都不太关心这种方法。
Neural Magic的ML团队针对必要的超参数和指令，创建了可以自主编码的recipe。
各种不同条件下的recipe构成了一种可以满足客户各类需求的框架。
这样就可以建立高度精确的pruned或pruned quantized的YOLOv3模型，从而简化流程。
那这种稀疏化方法的灵感来源是什么呢？
其实，Neural Magic 的 Deep Sparse（深度稀疏）架构的主要灵感，是在产品硬件上模仿大脑的计算方式。
它通过利用 CPU 的大型快速缓存和大型内存，将神经网络稀疏性与通信局部性相结合，实现效率提升。
本教程目录主要包括三大模块：
- 创建一个预训练的模型
- 应用Recipe
- 导出推理
教程的这些recipe可以帮助用户在Ultralytics强大的训练平台上，使用稀疏深度学习的recipe驱动的方法插入数据。
教程中列出的示例均在VOC数据集上执行，所有结果也可通过“权重和偏差”项目公开获得（地址见参考链接4）。
研究团队给出了稀疏YOLOv3目标检测模型在Deep Sparse引擎和PyTorch上的运行情况。
这段视频以波士顿著名地标为特色，在Neural Magic的诞生地——MIT的校园取景。
同样的条件下，在Deep Sparse引擎上比PyTorch上效率会更高。
如果用户的硬件不支持量化网络来推理加速，或者对完全恢复的要求非常高，官方建议使用pruned或pruned short 的recipe。
如果用户的硬件可以支持量化网络，如CPU 上的 VNNI 指令集，官方建议使用pruned quantized或pruned quantized short的recipe。
所以使用哪一种recipe，取决于用户愿意花多长时间训练数据，以及对完全恢复的要求。
具体要比较这几种recipe的话，可以参考下表。
既然给出了和pytorch的比较视频，就有网友发问了：
Neural Magic也使用python吗？为什么一个比另一个快10倍以上？我不相信像pytorch这样传统的机器学习框架不会得到优化。两种模型的实现是否相同？
公司官方人员也下场解释了：
我们拥有专利技术，可以通过减少计算和内存移动来使稀疏网络在CPU上更高效的运行。
虽然传统的ML框架也能很好地实现简单而高效的训练过程。
但是，多加入一些优化的推理，可以实现更多的性能，尤其是在CPU上更明显。
看来，有了以上强大的YOLOv3 模型工具和教程，用户就可以在CPU上，以最小化的占用空间和GPU的速度来运行深度学习模型。
这样有用的教程，你还在等什么？
希望教程能对大家有所帮助，欢迎在评论区分享交流训练模型经验~
最后介绍一下Neural Magic，有兴趣的朋友可以去了解一下。
Neural Magic成立在马萨诸塞州的剑桥。
创始人Nir Shavit和Alexander Matveev在MIT绘制大脑中的神经连接图时，一直觉得GPU有许多限制。
因此他们停下来问自己两个简单的问题：
为什么深度学习需要GPU等专用硬件？
有什么更好的方法吗？
毕竟，人脑可以通过广泛使用稀疏性来减少神经网络，而不是添加FLOPS来匹配神经网络，从而满足神经网络的计算需求。
基于这种观察和多年的多核计算经验，他们采用了稀疏和量化深度学习网络的技术，并使其能够以GPU的速度或更高的速度在商用CPU上运行。
这样，数据科学家在模型设计和输入大小上就不需要再做妥协，也没必要用稀缺且昂贵的GPU资源。
Brian Stevens
Neural Magic的CEO，Red Hat和Google Cloud的前CTO。
Nir Shavit
Neural Magic联合创始人。
麻省理工学院教授，他目前的研究涉及为多处理器设计可伸缩软件的技术，尤其是多核计算机的并发数据结构。
Alexander Matveev
Neural Magic首席技术官兼联合创始人。
麻省理工学院前研究科学家，专门研究AI多核算法和系统。
参考链接：
[1]https://github.com/neuralmagic/sparseml/blob/main/integrations/ultralytics-yolov3/t2.utorials/sparsifying_yolov3_using_recipes.md
[2]https://neuralmagic.com/blog/sparsifying-yolov3-using-recipes-tutorial/
[3]https://arxiv.org/pdf/1804.02767.pdf
[4]https://wandb.ai/neuralmagic/yolov3-spp-lrelu-voc
“
