近日，腾讯优图实验室在模型压缩任务中获得创新性突破，提出的基于滤波器骨架的逐条剪枝算法（Stripe-Wise Pruning，SWP），刷新了滤波器剪枝的SOTA效果。相关论文（Pruning Filter in Filter）已被机器学习领域的国际顶级会议Conference on Neural Information Processing Systems（NeurIPS 2020）收录。

图1 Stripe-Wise Pruning与几种主流Pruning方式的区别

神经网络的具有结构和参数这两个属性，这两个属性都具有重要意义。本文指出神经网络的滤波器除了通常使用的参数属性以外，还有一种形状属性。形状属性之前一直隐含在参数中，通过训练每个滤波器的参数使其获得不同的形状。滤波器的形状属性具有重要的意义。具有合适形状的滤波器，即使参数是随机的，也能具有较好的性能。

因此本文通过一种名为滤波器骨架（Filter Skeleton，FS）的模块来显性地学习滤波器的形状（如图中①）。当训练结束，我们可以将FS乘回参数上，因此不会引入额外的参数（如图中②）。

图2 PFF方法流程示意图

对于不在骨架上的参数，使用逐条裁剪的方法将其整条（stripe，1*1滤波器）裁剪掉。

具体的，首先通过卷积计算顺序的变换，可以将滤波器从Filter wise等价变换为stripe wise（如图中③）。接下来就可以使用正常的滤波器剪枝方法对其进行裁剪（如图中④）。

该方法的创新点包括：

（1） 提出滤波器除了参数属性外，还存在形状属性，并且形状属性具有重要意义。

（2） 提出滤波器骨架的模块来学习滤波器的形状，并可以指导模型剪枝。

（3） 通过变换普通卷积为Stripe-Wise Convolution，结构化的实现逐条剪枝后的模型。

逐条剪枝算法在CIFAR10和ImageNet数据集上达到了SOTA效果。