當(dāng)你聽到「剪枝」二字，或許會聯(lián)想到園丁修整枝葉的情景。而在 AI 大模型領(lǐng)域，這個詞有著特殊的含義 —— 它是一種通過“精簡”來提升大模型效率的關(guān)鍵技術(shù)。隨著 GPT、LLaMA 等大模型規(guī)模的持續(xù)膨脹，如何在保持性能的同時降低資源消耗，已成為亟待解決的難題。本文將揭示大模型剪枝技術(shù)的原理與發(fā)展，帶你一次性讀懂剪枝。

隨著人工智能的快速發(fā)展，大模型以其卓越的性能在眾多領(lǐng)域中占據(jù)了重要地位。然而，大模型驚人的參數(shù)規(guī)模也帶來了一系列挑戰(zhàn)，如高昂的訓(xùn)練成本、巨大的存儲需求和推理時的計(jì)算負(fù)擔(dān)。為了解決這些問題，大模型剪枝技術(shù)應(yīng)運(yùn)而生，成為壓縮大模型的關(guān)鍵手段。本文將簡要介紹大模型剪枝技術(shù)的背景及原理、代表性方法和研究進(jìn)展。

背景及原理

當(dāng)今大模型的“身軀”越來越龐大，對資源的需求也日益增加。如 LLaMA 3.1，且不說其訓(xùn)練算力高達(dá) 24000塊 H100，訓(xùn)練數(shù)據(jù)量高達(dá) 15T tokens（Qwen 2.5 在 18T tokens 的數(shù)據(jù)集上進(jìn)行了預(yù)訓(xùn)練，成為目前訓(xùn)練數(shù)據(jù)最多的開源大模型），單看表 1 和表 2 中 LLaMA 3.1 在推理和微調(diào)時的內(nèi)存需求，對普通用戶而言就是難以承受之重。這些龐大的需求不僅對硬件資源提出了極高的要求，也限制了模型的可擴(kuò)展性和實(shí)用性。大模型剪枝技術(shù)通過減少模型中的參數(shù)數(shù)量，旨在降低這些需求，同時盡量保持模型的性能。

表 1 LLaMA 3.1 推理內(nèi)存需求（不包括 KV 緩存）

表 2 LLaMA 3.1 微調(diào)內(nèi)存需求

剪枝“流派”的開山鼻祖是圖靈獎得主、深度學(xué)習(xí)“三巨頭”之一 Yann LeCun，他在 1989 年 NeurIPS 會議上發(fā)表的《Optimal Brain Damage》[1]是第一篇剪枝工作。后來剪枝“流派”逐漸開枝散葉，如今可主要分為兩大類：非結(jié)構(gòu)化剪枝和結(jié)構(gòu)化剪枝。非結(jié)構(gòu)化剪枝通過移除單個權(quán)重或神經(jīng)元得到稀疏權(quán)重矩陣，這種方法易于實(shí)現(xiàn)且性能指標(biāo)較高，但需要專門的硬件或軟件支持來加速模型；結(jié)構(gòu)化剪枝通過去除基于特定規(guī)則的連接來實(shí)現(xiàn)，如層級剪枝、塊級剪枝等，這種方法不需要專門的軟硬件支持，但算法更為復(fù)雜。

兩類剪枝方法在大模型上都有很多的嘗試和應(yīng)用，但考慮到通用性，我們主要關(guān)注結(jié)構(gòu)化剪枝，本文的第二部分也將主要介紹 LLM 結(jié)構(gòu)化剪枝的經(jīng)典文章 LLM-Pruner。

下面談一談剪枝的理論基礎(chǔ)。首先，所謂的理論基礎(chǔ)只是暫時的，在一個高速發(fā)展的學(xué)科中，很難確保今天的理論不會被明天的實(shí)驗(yàn)推翻。在傳統(tǒng)上，人們一直認(rèn)為剪枝的基礎(chǔ)是 DNN 的過參數(shù)化，即深度神經(jīng)網(wǎng)絡(luò)參數(shù)比擬合訓(xùn)練數(shù)據(jù)所需參數(shù)更多，可以剪去一部分以降低網(wǎng)絡(luò)復(fù)雜度而盡量不影響其性能。 在 2019 年，有學(xué)者提出了彩票假設(shè)（ICLR 2019 best paper）[2]：一個隨機(jī)初始化的神經(jīng)網(wǎng)絡(luò)里包括一個子網(wǎng)絡(luò)，當(dāng)該子網(wǎng)絡(luò)被單獨(dú)訓(xùn)練時，能在最多相同迭代次數(shù)后達(dá)到原始網(wǎng)絡(luò)訓(xùn)練后的性能——就好比一堆彩票中存在一個中獎子集，只要買了這個子集就能獲得最大收益。 隨后，又有學(xué)者在《What’sHiddenin a Randomly Weighted Neural Network?》中提出了“近似加強(qiáng)版”彩票假設(shè)（CVPR 2020）[3]：在一個隨機(jī)權(quán)重的足夠過參數(shù)化的神經(jīng)網(wǎng)絡(luò)中，存在一個子網(wǎng)絡(luò)，無需訓(xùn)練，其性能與相同參數(shù)量訓(xùn)練過的網(wǎng)絡(luò)相當(dāng)。 再隨后，又有學(xué)者聲稱自己證明了這個“近似加強(qiáng)版”的彩票假設(shè)，并在標(biāo)題里宣稱 Pruning is all you need（ICML 2020）[4]。也就是說，如圖 1 所示，以后不需要訓(xùn)練了，我們只用找一個足夠大的網(wǎng)絡(luò)，剪啊剪啊就能得到一個性能很好的子網(wǎng)絡(luò)。這個說法如果成立當(dāng)然是極好的，因?yàn)榛谔荻鹊膬?yōu)化算法訓(xùn)練時間長，且是次優(yōu)的，但問題在于缺乏有效的純剪枝算法，所以目前剪枝的基本流程還是：訓(xùn)練、剪枝、微調(diào)。另外，作者是用二值小網(wǎng)絡(luò)+推廣證明的，太過理想化，而且沒有考慮非線性的情況。近年來，雖然彩票假設(shè)及其衍生理論在一些研究領(lǐng)域取得了進(jìn)展，例如圖中獎彩票（KDD 2023）[5]和對偶彩票假設(shè)（ICLR 2022）[6]，但在大模型領(lǐng)域，我們尚未觀察到具有顯著影響力的研究工作。

圖 1 LLaMA 3.1 微調(diào)內(nèi)存需求

代表性方法：LLM-Pruner

本節(jié)將以首個針對大模型的結(jié)構(gòu)化剪枝框架——LLM-Pruner（NeurIPS 2023）[7]為例，介紹大模型剪枝的基本流程。該框架特點(diǎn)為任務(wù)無關(guān)的壓縮、數(shù)據(jù)需求量少、快速和全自動操作，主要包括以下三個步驟：（1）分組階段

本階段的主要工作是根據(jù)依賴性準(zhǔn)則，將 LLM 中互相依賴的神經(jīng)元劃分為一組。依賴性準(zhǔn)則為：若 i 是 j 的唯一前驅(qū)，則 j 依賴于 i；若 j 是 i 的唯一后繼，則 i 依賴于 j。在具體操作中，需要分別將網(wǎng)絡(luò)中每個神經(jīng)元作為初始節(jié)點(diǎn)，依賴關(guān)系沿方向傳導(dǎo)，傳導(dǎo)過程中遍歷的神經(jīng)元為一組，一組需同時剪枝。以圖 2 中 Group Type B（即 MHA，多頭注意力）為例，從 Head 1 開始傳導(dǎo)，Head 1 是上面兩個虛線圈神經(jīng)元的唯一前驅(qū)，是下面六個虛線圈神經(jīng)元的唯一后繼，它們都依賴于 Head 1，故被劃分為一組。

圖 2 LLaMA 中耦合結(jié)構(gòu)的簡化示例 （2）評估階段

本階段的主要工作是根據(jù)重要性準(zhǔn)則評估每個組對模型整體性能的貢獻(xiàn)，貢獻(xiàn)小的組將被修剪。常見的重要性準(zhǔn)則有：L1 范數(shù)（向量中各元素絕對值之和）、L2 范數(shù)（向量中各元素平方和的開平方）、損失函數(shù)的 Taylor 展開一階項(xiàng)、損失函數(shù)的 Taylor 展開二階項(xiàng)等。LLM-Pruner 采用損失函數(shù)的 Taylor 展開來計(jì)算重要性，并提出了兩條計(jì)算組重要性的路徑：權(quán)重向量級別和單個參數(shù)級別。

權(quán)重向量級別的重要性公式如下所示, 代表每個神經(jīng)元的權(quán)重向量，H 是 Hessian 矩陣, 表示 next-token prediction loss。一般來說由于模型在訓(xùn)練數(shù)據(jù)集上已經(jīng)收斂，即 , 所以一階項(xiàng)通常為 0 。然而，由于 LLM-Pruner 所用數(shù)據(jù)集 D 并不是原始訓(xùn)練數(shù)據(jù)，故 。同時，由于 Hessian 矩陣的計(jì)算復(fù)雜度過高, 所以只計(jì)算了一階項(xiàng)。

單個參數(shù)級別的重要性公式如下所示, 內(nèi)的每個參數(shù)都被獨(dú)立地評估其重要性，其中 Hessian 矩陣用 Fisher 信息矩陣進(jìn)行了近似。在 LLM-Pruner 的源碼中，這兩個公式被如圖 3 所示的代碼片段表示。

圖 3 評估重要性的源碼

最后，通過對每組內(nèi)權(quán)重向量或參數(shù)的重要性進(jìn)行累加/累乘/取最大值/取最后一層值，就得到了每組的重要性，再按剪枝率剪去重要性低的組即可。

（3）微調(diào)階段

本階段的主要工作是使用LoRA微調(diào)模型中每個可學(xué)習(xí)的參數(shù)矩陣W，以減輕剪枝帶來的性能損失。LoRA的公式為W+?W=W+BA，其具體步驟如圖4所示：

① 在模型的特定層中用 Wd×k+ΔWd×k 替換原有的權(quán)重矩陣 Wd×k，并把矩陣 ?Wd×k 分解成降維矩陣 Ad×r 和升維矩陣 Br×k，r << min(d, k)。

② 將 A 隨機(jī)高斯初始化，B 置為 0，凍結(jié)預(yù)訓(xùn)練模型的參數(shù) W，只訓(xùn)練矩陣 A 和矩陣 B。

③ 訓(xùn)練完成后，將 B 矩陣與 A 矩陣相乘再與矩陣 W 相加，作為微調(diào)后的模型參數(shù)。

圖 4LoRA基本步驟

根據(jù)表 3 的實(shí)驗(yàn)結(jié)果，剪枝 20% 后，模型的性能為原模型的 89.8%，經(jīng)過 LoRA 微調(diào)后，性能可提升至原模型的 94.97%。在大多數(shù)數(shù)據(jù)集上，剪枝后的 5.4B LLaMA 甚至優(yōu)于 ChatGLM-6B，所以如果需要一個具有定制尺寸的更小的模型，理論上用 LLM-Pruner 剪枝一個比再訓(xùn)練一個成本更低效果更好。

然而，根據(jù)表 4 的數(shù)據(jù)顯示，剪枝 50% 后模型表現(xiàn)并不理想，LoRA 微調(diào)后綜合指標(biāo)也僅為原模型 77.44%，性能下降幅度較大。如何進(jìn)行高剪枝率的大模型結(jié)構(gòu)化剪枝，仍是一個具有挑戰(zhàn)性的問題。

表 3LLaMA-7B 剪枝 20% 前后性能對比

表 4LLaMA-7B 剪枝 50% 前后性能對比

研究進(jìn)展

大模型剪枝技術(shù)已經(jīng)成為近兩年的研究熱點(diǎn)，無論是在工業(yè)界還是學(xué)術(shù)界，都有許多研究人員投身于這一領(lǐng)域——這一點(diǎn)從表 5 和表 6 中可以明顯看出，而表格中列出的論文只是眾多大模型剪枝研究工作中的一小部分。除此之外，還有學(xué)者提出了介于結(jié)構(gòu)化剪枝和非結(jié)構(gòu)化剪枝之間的半結(jié)構(gòu)化剪枝，如 Nvidia 的 N:M 稀疏化，就是每 M 個連續(xù)元素留下 N 個非零元素，但與前兩者相比目前相關(guān)探索較少。隨著研究的不斷深入和技術(shù)的持續(xù)進(jìn)步，我們有理由相信，剪枝將繼續(xù)在大模型領(lǐng)域扮演重要的角色，并推動大模型技術(shù)的創(chuàng)新和發(fā)展。

表5大模型非結(jié)構(gòu)化剪枝

表6大模型結(jié)構(gòu)化剪枝