网络剪枝——network-slimming 项目复现

目录

网络剪枝——network-slimming 项目复现

• 【GiHnub】：Eric-mingjie/network-slimming: Network Slimming (Pytorch) (ICCV 2017) (github.com)
• 【作者复现项目】：
• 通过百度网盘分享的文件：network-slimming-regin.zip
  链接：https://pan.baidu.com/s/1vTJSLS5ZDjE8R8XaApW96A?pwd=t1z2
  提取码：t1z2
  • 仅以 CIFAR-10 为例，CIFAR-100 同理.
  • 提供中文README_zh-CN.md.
  • 包含 CIFAR-10/100 数据集data.cifar10、data.cifar100.
  • 解决了 main.py 运行报错问题.
  • 加入了计算训练后模型的 Parameters 大小脚本param_counter.py.

clone 存储库

注：若 clone 作者复现项目，则忽略这一步，直接进入下一步；若想自行从头复现，则 clone 以下存储库.

• 链接：https://pan.baidu.com/s/1nppPLKoiPbJPW60HOa2TxQ?pwd=ud89
  提取码：ud89

---

Baseline

vgg

训练

• 【命令】：

python main.py --dataset cifar10 --arch vgg --depth 19

• 这个报错通常出现在使用 Python 的multiprocessing库来创建进程时，尤其是在 Windows 操作系统上. 在 Windows 上，Python 的multiprocessing模块启动新进程的方式与 Linux 或 macOS 不同，它使用 “spawn” 来启动新进程，这意味着每个子进程都会从头开始执行脚本. 因此，如果在脚本顶层级别启动进程（而不是在受保护的if __name__ == '__main__':块中），每个子进程都会尝试再次启动子进程，从而导致无限递归和上述错误.

• 为了解决这个问题，应 确保多进程代码（即main.py）位于if __name__ == '__main__':保护块内.

# 导入部分
...def main():...if __name__ == '__main__':main()

• 再次运行命令，又报错：

• 这个报错通常发生在尝试直接索引一个0维的张量（tensor）时. 在 PyTorch 中，0 维张量是一个单一值的张量，但是不能像普通的数组那样通过索引来访问。要从 0 维张量中获取其 Python 数值，需要使用.item()方法.

• 为了解决这个问题，应该 使用.item()方法来替换所有.data[0]的用法：

# 在 train 函数中
if batch_idx % args.log_interval == 0:print('Train Epoch: {} [{}/{} ({:.1f}%)]\tLoss: {:.6f}'.format(epoch, batch_idx * len(data), len(train_loader.dataset),100. * batch_idx / len(train_loader), loss.item()))# 在 test 函数中
for data, target in test_loader:if args.cuda:data, target = data.cuda(), target.cuda()data, target = Variable(data), Variable(target)output = model(data)test_loss += F.cross_entropy(output, target, reduction='sum').item()  # sum up batch losspred = output.data.max(1, keepdim=True)[1]correct += pred.eq(target.data.view_as(pred)).cpu().sum()test_loss /= len(test_loader.dataset)

• 再次运行命令就正常运行了：

结果

• Terminal：

• 在 ./logs 生成文件：checkpoint.pth.tar、model_best.pth.tar

resnet

训练

• 【命令】：

python main.py --dataset cifar10 --arch resnet --depth 164

结果

densenet

训练

• 【命令】：

python main.py --dataset cifar10 --arch densenet --depth 40

结果

---

Sparsity

vgg

训练

• 【命令】：

python main.py -sr --s 0.0001 --dataset cifar10 --arch vgg --depth 19

结果

resnet

训练

• 【命令】：

python main.py -sr --s 0.00001 --dataset cifar10 --arch resnet --depth 164

结果

densenet

训练

• 【命令】：

python main.py -sr --s 0.00001 --dataset cifar10 --arch densenet --depth 40

结果

---

Prune

vgg

命令

python vggprune.py --dataset cifar10 --depth 19 --percent 0.7 --model ./results/CIFAR10_results/CIFAR10-Vgg/Sparsity/model_best.pth.tar --save ./prunes

• 与main.py同理，为了解决这个问题，应 确保多进程代码位于if __name__ == '__main__':保护块内：

# 导入部分
...def main():...if __name__ == '__main__':main()

• 之后就可以正常运行了.

结果

• Terminal：

• 在./prunes生成文件：prune.txt、pruned.pth.tar

• 在prune.txt中我们可以看到 Number of parameters、Test accuracy：

resnet

命令

python resprune.py --dataset cifar10 --depth 164 --percent 0.4 --model ./results/CIFAR10_results/CIFAR10-Resnet-164/Sparsity/model_best.pth.tar --save ./prunes

结果

densenet

命令

python denseprune.py --dataset cifar10 --depth 40 --percent 0.4 --model ./results/CIFAR10_results/CIFAR10-Densenet-40/Sparsity/model_best.pth.tar --save ./prunes

结果

---

Fine-tune

vgg

训练

• 【命令】：

python main.py --refine ./results/CIFAR10_results/CIFAR10-Vgg/Prune/pruned.pth.tar --dataset cifar10 --arch vgg --depth 19 --epochs 160

结果

resnet

训练

• 【命令】：

python main.py --refine ./results/CIFAR10_results/CIFAR10-Resnet-164/Prune/pruned.pth.tar --dataset cifar10 --arch resnet --depth 164 --epochs 160

结果

densenet

训练

• 【命令】：

python main.py --refine ./results/CIFAR10_results/CIFAR10-Densenet-40/Prune/pruned.pth.tar --dataset cifar10 --arch densenet --depth 40 --epochs 160

结果

---

模型大小计算脚本 param_counter.py

• 【路径】：./script/param_counter.py

import torchdef load_model(model_path):model = torch.load(model_path, map_location=torch.device('cpu'))return modeldef count_parameters(model_state_dict):total_params = sum(p.numel() for p in model_state_dict.values())return total_paramsdef get_model_parameters(model_path):# 加载模型状态字典model = load_model(model_path)# 模型状态字典存储在 'state_dict' 键下model_state_dict = model['state_dict'] if 'state_dict' in model else model# 计算参数总数total_params = count_parameters(model_state_dict)return total_params

• 在main.py中：

from script.param_counter import get_model_parametersdef main():...# 计算 Parametersmodel_path = 'logs/model_best.pth.tar'total_params = get_model_parameters(model_path)print(f'Total parameters in the model: {total_params}')

---

结果汇总

注：与原项目结果略有差别.

CIFAR10

CIFAR10-Vgg	Baseline	Sparsity(1e-4)	Prune(70%)	Fine-tune-160(70%)
Top1 Accuracy(%)	93.72	93.60	33.98	93.75
Parameters	20.05M	20.05M	2.22M	2.23M

CIFAR10-Resnet-164	Baseline	Sparsity(1e-5)	Prune(40%)	Fine-tune-160(40%)
Top1 Accuracy(%)	94.99	95.00	94.59	95.27
Parameters	1.74M	1.74M	1.46M	1.49M

CIFAR10-Densenet-40	Baseline	Sparsity(1e-5)	Prune(40%)	Fine-tune-160(40%)
Top1 Accuracy(%)	94.15	94.37	94.14	94.48
Parameters	1.09M	1.09M	0.70M	0.72M