Оптимизация ML-модели (pruning) для мобильного устройства

Оптимизация ML-модели (pruning) для мобильного устройства

Мы часто сталкиваемся с ситуацией, когда готовая модель не влезает в память смартфона или работает слишком медленно. Pruning — один из ключевых методов в нашем арсенале для решения этой проблемы. Это не просто удаление лишних весов, а тонкий процесс, требующий понимания архитектуры и целевого устройства. Ниже разберём, как мы проводим pruning под ключ, какие результаты гарантируем и почему structured pruning — выбор №1 для мобильных приложений. Если ваша модель не укладывается в ограничения устройства — свяжитесь с нами, мы поможем.

Pruning — удаление части весов или нейронов из модели. Логика: в нейросети, обученной на реальных данных, значительная доля весов близка к нулю и почти не влияет на выход. Их можно обнулить или удалить без существенной потери точности, но с выигрышем в скорости и объёме.

Звучит привлекательно. На практике — pruning сложнее квантизации, требует дообучения после прореживания и не всегда даёт ожидаемое ускорение на мобильных устройствах из-за особенностей реализации. Наш многолетний опыт показывает, что универсального рецепта нет. Поэтому мы подходим к задаче системно: сначала анализируем модель, затем выбираем оптимальную стратегию.

Какой pruning выбрать для мобильного приложения?

Unstructured pruning — обнуляем отдельные веса (sparse матрицы). Матрица 90% нулей — казалось бы, 10× экономия. Но GPU/NPU работают с плотными матрицами, sparse вычисления там не ускоряются. Практическая польза: уменьшение размера модели после сжатия (нули хорошо компрессируются). Но не скорость инференса на обычных устройствах.

Structured pruning — удаляем целые фильтры (каналы) в свёрточных слоях или головы в attention. Результат — физически меньший граф, который реально быстрее на любом железе. Это то, что реально нужно для мобиля.

Почему structured pruning эффективнее?

Structured pruning физически уменьшает граф вычислений. На мобильных устройствах это даёт реальное ускорение инференса, так как не требует специальных sparse-процессоров. Мы используем L1-норму для ранжирования фильтров и удаляем наименее значимые. Пример реализации на PyTorch:

import torch import torch.nn.utils.prune as prune # L1-based structured pruning: удаляем 30% фильтров из Conv2d слоёв # по критерию минимальной L1-нормы (наименее важные фильтры) for name, module in model.named_modules(): if isinstance(module, torch.nn.Conv2d): prune.ln_structured( module, name='weight', amount=0.3, # 30% каналов n=1, # L1 норма dim=0 # dim=0 — выходные фильтры ) # После pruning — важно сделать веса постоянными (убрать mask) for name, module in model.named_modules(): if isinstance(module, torch.nn.Conv2d): prune.remove(module, 'weight') 

После этого модель содержит нулевые фильтры, но они всё ещё в графе. Следующий шаг — фактическое удаление нулевых каналов:

# Кастомная функция удаления нулевых фильтров def remove_zero_filters(conv_layer, next_layer=None): """Удаляем фильтры с нулевыми весами и синхронизируем следующий слой""" weight = conv_layer.weight.data # Маска: фильтры с ненулевыми весами nonzero_mask = weight.abs().sum(dim=(1,2,3)) > 1e-6 conv_layer.weight = nn.Parameter(weight[nonzero_mask]) if conv_layer.bias is not None: conv_layer.bias = nn.Parameter(conv_layer.bias.data[nonzero_mask]) conv_layer.out_channels = nonzero_mask.sum().item() # Синхронизируем следующий слой (входные каналы) if next_layer is not None and isinstance(next_layer, nn.Conv2d): next_layer.weight = nn.Parameter(next_layer.weight.data[:, nonzero_mask]) next_layer.in_channels = nonzero_mask.sum().item() 

Это нужно делать осторожно — BatchNorm слои после Conv тоже содержат параметры для каждого канала и требуют синхронизации.

Fine-tuning после pruning

После удаления 20–40% фильтров модель теряет точность. Обязательный этап — fine-tuning на обучающих данных. Правило: чем агрессивнее pruning, тем дольше fine-tuning.

# Fine-tuning после pruning — обычно 10-20% от исходного числа эпох optimizer = torch.optim.Adam(pruned_model.parameters(), lr=1e-4) # меньший LR scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=20) for epoch in range(20): train_one_epoch(pruned_model, train_loader, optimizer) val_acc = evaluate(pruned_model, val_loader) scheduler.step() print(f"Epoch {epoch}: val_acc={val_acc:.4f}") 

Iterative pruning — цикл pruning → fine-tuning → pruning — даёт лучший результат, чем однократное удаление большого числа фильтров.

Lottery Ticket Hypothesis: глубже

Для задач, где результат критичен, используем Lottery Ticket подход: обучаем полную сеть, находим «выигрышные билеты» — sparse subnetworks, которые можно обучить до сопоставимой точности с нуля. Реализация через torch_pruning библиотеку:

import torch_pruning as tp # Анализ зависимостей между слоями example_inputs = torch.zeros(1, 3, 224, 224) DG = tp.DependencyGraph() DG.build_dependency(model, example_inputs=example_inputs) # Получаем группы связанных слоёв (pruning одного требует pruning связанных) pruner = tp.pruner.MagnitudePruner( model, example_inputs, importance=tp.importance.MagnitudeImportance(p=1), pruning_ratio=0.5, # удалить 50% каналов global_pruning=False, iterative_steps=5 # итеративно за 5 шагов ) 

Почему pruning не всегда даёт ускорение

MobileNetV3 уже оптимизирован: depthwise separable convolutions с малым числом каналов. Удалить 30% фильтров из слоя с 16 каналами — получаем 11 каналов. Разница в скорости — минимальная, overhead от tensor операций остаётся.

Pruning хорошо работает на больших моделях: ResNet-50, EfficientNet-B4, BERT. На уже компактных MobileNet/EfficientNet-lite — эффект ниже. В таких случаях лучше начать с более лёгкой базовой архитектуры, а не прунить тяжёлую.

Комбинация с квантизацией

Pruning + квантизация — стандартная двухшаговая оптимизация:

1. Structured pruning 30–40% → fine-tuning → уменьшаем граф
2. INT8 квантизация сжатого графа → финальная модель

Пример результата: EfficientNet-B0 (20 МБ FP32, 80 мс Android) → pruning 35% + INT8 → 4 МБ, 18 мс. Точность top-1 упала с 77.1% до 75.8%.

Если ваша модель требует именно таких улучшений — мы готовы провести полный цикл оптимизации. Свяжитесь с нами, чтобы обсудить проект.

Как мы проводим pruning под ключ

1. Анализ модели — определяем архитектуру, профилируем latency и размер.
2. Выбор стратегии pruning — structured или lottery ticket, процент удаления.
3. Итеративный pruning + fine-tuning — 3–5 итераций с контролем точности.
4. Проверка на целевых устройствах — замеры на реальных смартфонах.
5. Опционально: квантизация — INT8 или FP16 для дополнительного сжатия.
6. Документация и деплой — предоставляем отчёт и готовую модель.

Что входит в работу

• Полный цикл оптимизации модели от анализа до деплоя.
• Structured pruning с fine-tuning.
• Тестирование на устройствах заказчика (iOS/Android).
• Документация по изменениям архитектуры и инструкции по интеграции.
• Поддержка в течение 30 дней после сдачи.

Наш опыт и гарантии

Наши специалисты имеют многолетний опыт в оптимизации нейросетей для мобильных устройств. Мы успешно провели pruning для 50+ проектов, включая приложения с миллионными аудиториями. Гарантируем сохранение точности в пределах 2% от исходной при условии соблюдения рекомендаций по fine-tuning.

Оценим ваш проект бесплатно — просто свяжитесь с нами. Получите консультацию по выбору оптимального метода pruning для вашей модели. Оставьте заявку, и мы проанализируем вашу модель бесплатно.

Pruning (artificial neural network) — Wikipedia torch.nn.utils.prune — PyTorch documentation