使用Pytorch在卷积层上实现张量分解的方法

关注

转载最新推荐文章于 2026-07-15 15:35:52 发布 3.5k 阅读 AI 写同款· GEO 优化 ›

TT-Edge：RISC-V上的张量分解硬件加速方案张量分解作为模型压缩的核心技术，通过将高阶张量表示为低秩矩阵链，显著减少参数数量与计算复杂度。其数学本质是SVD分解的变体，传统实现面临O(n³)计算复杂度和内存瓶颈。TT-Edge创新性地采用硬件-软件协同设计，在RISC-V架构上通过复用GEMM加速器资源，仅增加3个专用处理单元就实现了张量分解的硬件加速。该方案特别适合边缘计算场景，实测在保持FP32精度的同时达成1.7倍加速和40.2%能耗降低。典型应用包括实时视频分析中的3D卷积优化和LSTM网络压缩，其中Householder变换的硬件友好特性与阅读详情

如何用张量分解加速深层神经网络？（附代码）

本文转载自雷锋字幕组编译的技术博客
源地址为：https://www.leiphone.com/news/201802/tSRogb7n8SFAQ6Yj.html
原英文博客标题Accelerating deep neural networks with tensor ecompositions，作者为Jacob。

原文翻译 | 林立宏原文整理 | 凡江

背景

在这篇文章中，我将介绍几种低秩张量分解方法，用于在现有的深度学习模型中进行分层并使其更紧凑。我也将分享PyTorch代码，它使用Tensorly来进行在卷积层上的CP分解和Tucker分解。

尽管希望大部分帖子都是可以独立阅读的，关于张量分解的回顾可以在这里找到。Tensorly的作者也写了于Tensor的基础内容非常棒的notebook。这帮助我很好的开始学习这块内容，建议你也阅读一下上面这些内容。

加上裁剪（pruning），张量分解是加快现有深度神经网络的实用工具，我希望这篇文章能让这些内容更加容易理解。

这些方法需要将一个层分解成几个更小的层。尽管在分解后会有更多的层，但是浮点运算次数和权重的总数会变小。一些报告的结果是整个网络的x8倍的速度提升（不针对像imagenet这样的大型任务），或者imagenet中的特定层中x4倍的提升。我的结论是用这些分解方式，我能够获得x2到x4倍的加速，这取决于我愿意牺牲多少的精度。

在这篇文章中我介绍了一些称为裁剪（pruning）的技术以减少模型中的参数数量。在一个数据集上正向传递（有时是反向传递）裁剪（pruning），然后根据网络中激活的一些标准对神经元进行排序。

完全不同的是，张量分解的办法只用到层的权重，假设网络层是参数化的，它的权重能够用一个矩阵或者是一个低秩的张量来表示。这意味这个它们在参数化的网络下效果最佳。像VGG神经网络设计为完全参数化的。另外一个关于参数化模型的例子是使用更少的类别对网络进行微调以实现更简单的任务。

和裁剪（pruning）相似，分解之后通过模型需要微调来恢复准确性。

在我们会深入讨论细节之前，最后一件要说明的事是，虽然这些方法是实用的，并给出了很好的结果，但它们有一些缺点：

它们能够在一个线性权重上执行（比如一个卷积或者一个全连接的层），忽略了任何非线性的内容。

它们是贪婪，自认为聪明地分解层，忽略了不同层之间的相互作用。

目前还要试图解决这些问题，而且它仍然是一个活跃的研究领域。

截断SVD用于分解完全连接的层

第一份我能找到的使用这个来加速深度神经网络的是在Fast-RNN论文中，Ross Girshick使用它来加速用于检测的全连接层。代码可以在这里找到：pyfaster-rcnn implementation。

SVD概况

奇异值分解使我们能够分解任何具有n行和m列的矩阵A：
SVD分解
S是一个对角矩阵，其对角线上有非负值（奇异值），并且通常被构造成奇异值按降序排列的。U和V是正交矩阵：

如果我们取最大的奇异值并将其余的归零，我们得到A的近似值：
截断近似
A近似具有作为Frobenius范数最接近于A的秩t矩阵的性质，所以如果t足够大，在这里插入图片描述是A的良好近似。

在全连接层上的SVD

我们可以取A的SVD，只保留第一个奇异值。
左奇异
这不是一个完全连接的层，而是指导我们如何实现它作为两个较小的：

第一个将有一个m x t的形状，将没有偏差，其权重将取自
第二个将有一个t x n的形状，将有一个等于b的偏差，其权重将取自

权重总数从nxm下降到t（n + m）。

在卷积层上张量分解
二维卷积层是一个多维矩阵（后面用-张量），有四个维度：

cols x rows x input_channels x output_channels.

遵循SVD的例子，我们想要以某种方式将张量分解成几个更小的张量。卷积层转换为几个较小近似的卷积层。

为此，我们将使用两种流行的（至少在Tensor算法的世界中）张量分解：CP分解和Tucker分解（也称为高阶SVD或其他名称）。

使用微调CP分解加速卷积神经网络
Speeding-up Convolutional Neural Networks Using Fine-tuned CP-Decomposition

这篇论文说明了如果CP分解能够用于卷积层的加速，正如我们会看到的，这将卷积层纳入类似移动网络的东西。

他们使用它来加速网络的速度，而不会明显降低精度。在我自己的实验中，我可以使用这个在基于VGG16的网络上获得x2加速，而不会降低准确度。

我使用这种方法的经验是，需要非常仔细地选择学习率，微调以使其工作，学习率通常应该非常小（大约在这里插入图片描述）
一个秩R矩阵可以被视为R秩和1矩阵的和，每个秩1矩阵是一个列向量乘以一个行向量：
SVD为我们提供了使用SVD中的U和V列来写矩阵和的方法：
如果我们选择一个小于矩阵满秩的R，那么这个和就是一个近似值，就像截断SVD的情况一样。

CP分解让我们推广了张量。
使用CP分解，我们的卷积核，一个四维张量公式，可以近似为一个选定的R：在这里插入图片描述
我们希望R对于有效的分解是小的，但是对保持近似高精度是足够大的。

带CP分解的卷积正向传递
为了传递图层，我们使用输入在这里插入图片描述进行卷积：

这给了我们一个办法来解决这个问题：

首先做一个wise（1x1xS）与卷积。这减少了从S到R输入通道的数量。下一步将在较少数量的通道上完成卷积，使其更快。
用在空间维度上执行分离的卷积。就像在移动网络中一样，卷积是深度可分的，分别在每个通道中完成。与mobilenets不同，卷积在空间维度上也是可分的。
做另一个逐点卷积来改变从R到T的通道数量如果原始卷积层有一个偏差，在这一点上加上它。

注意像在移动网中的逐点和深度卷积的组合。在使用mobilenets的时候，你必须从头开始训练一个网络来获得这个结构，在这里我们可以把现有的图层分解成这种形式。

与移动网络一样，为了获得最快的速度，需要一个有效实现深度可分离卷积的平台。

用PyTorch和Tensorly卷积层CP分解
在这里插入图片描述
用于快速和低功率移动应用的深度卷积神经网络的压缩
Compression of Deep Convolutional Neural Networks for Fast and Low Power Mobile Applications 这一篇非常酷的论文，说明了如何使用Tucker分解来加速卷积层来得到更好的结果。我也在基于VGG的参数化网络用了这种加速，比CP分解的精度要好。作者在论文中指出，它可以让我们使用更高的学习率（我用在这里插入图片描述）进行微调。

Tucker分解也称为高阶奇异值分解（HOSVD）或者其他名称，是对张量进行奇异值分解的一种推广。
在这里插入图片描述
它认为SVD的推广的原因是的分量通常是正交的，但这对于我们的目的并不重要。被称为核心矩阵，并定义不同的轴如何相互作用。

在上面描述的CP分解中，沿着空间维度在这里插入图片描述的分解导致空间上可分离的卷积。无论如何，过滤器是非常小的，通常是3x3或5x5，所以可分离的卷积并不节省我们大量的计算，而且是一个积极的近似。

Trucker分解有用的性质是，它不必沿着所有的轴（模式）分解。我们可以沿着输入和输出通道进行分解（模式2分解）：
在这里插入图片描述
卷积正向传递与塔克分解

像CP分解一样，写一下卷积公式并插入内核分解：

在这里插入图片描述
这给了我们以下用Tucker分解进行卷积的配方：

与进行点对点卷积，信道从S减少到的数量。
用进行正则（不可分）卷积。这个卷积代替了原始层的S输入通道和T输出通道，具有输入通道和输出通道。如果这些等级小于S和T，这就是减少的原因。
用进行点对点卷积以回到原始卷积的T个输出通道。由于这是最后一次卷积，所以在这一点上，如果有偏差就加上偏差。

我们如何选择分解行列

一种方法是尝试不同的值并检查准确性。尝试后的启发是在这里插入图片描述，效果很好。

理想情况下，选择行列应该是自动的。

作者提出使用变分贝叶斯矩阵分解（VBMF）（Nakajima等，2013）作为估计等级的方法。

VBMF很复杂，不在本文的讨论范围内，但是在一个非常高层次的总结中，他们所做的是将矩阵在这里插入图片描述近似为低秩矩阵和高斯噪声之和。在找到A和B之后，H是等级的上限。
为了将其用于Tucker分解，我们可以展开原始权重张量的s和t分量来创建矩阵。然后我们可以使用VBMF估计和作为矩阵的秩。
我用这个在Python上实现的VBMF，相信它可以工作。