神經(jīng)網(wǎng)絡(luò)開發(fā)到 100% 會發(fā)生什么？神經(jīng)網(wǎng)絡(luò)的究極形態(tài)又是什么？何為網(wǎng)絡(luò)超體？上述問題的答案可能可以在電影超體（Lucy）中找到。

在電影中，隨著女主角 Lucy 腦力的逐漸開發(fā)，她獲得了以下能力：

10%：能夠控制身體的自主神經(jīng)系統(tǒng)，提高身體協(xié)調(diào)能力和反應(yīng)速度。

30%：能夠預(yù)測未來并預(yù)測人們的行動，提高洞察力和判斷力。

50%：能夠通過感知周圍環(huán)境的微小變化來預(yù)測未來的變化。

70%：能夠控制身體和物體的運動，擁有超凡的運動和戰(zhàn)斗技能。

90%：能夠與宇宙和時間相連，擁有靈感和直覺的力量。

100%：能夠?qū)崿F(xiàn)超自然的力量，超越了人類的認(rèn)知極限。

在電影的結(jié)尾，女主逐漸消失并變成了一種純粹的能量形態(tài)，最終消失在宇宙中，與宇宙和時間融為一體。人類超體的實現(xiàn)即為連通外界，以獲取無限值的能力。將此思想遷移到神經(jīng)網(wǎng)絡(luò)域，若能建立與整個網(wǎng)絡(luò)的連通，即也可實現(xiàn)網(wǎng)絡(luò)超體， 理論上將獲得無邊界的預(yù)測能力。

即實體化的網(wǎng)絡(luò)必然會限制網(wǎng)絡(luò)性能的增長，而將目標(biāo)網(wǎng)絡(luò)與 Model Zoo 進行連通，此時網(wǎng)絡(luò)不再具備實體，而是一種建立起網(wǎng)絡(luò)之間的連通超體形態(tài)。

圖上：超體網(wǎng)絡(luò)和實體網(wǎng)絡(luò)的區(qū)別。超體網(wǎng)絡(luò)無實體，是一種網(wǎng)絡(luò)之間的連通形式

該網(wǎng)絡(luò)超體的思想在本文分享 CVPR 2023 論文《Partial Network Cloning》，中得以探索。在該論文中，新加坡國立大學(xué)LV lab提出一種全新的網(wǎng)絡(luò)克隆技術(shù)。

鏈接：https://arxiv.org/abs/2303.10597

01 問題定義

在該文中，作者提到利用該網(wǎng)絡(luò)克隆技術(shù)實現(xiàn)網(wǎng)絡(luò)去實體化可以帶來以下優(yōu)勢：

弱數(shù)據(jù)依賴：只需要部分修正數(shù)據(jù)對一些連接模塊進行修改

低訓(xùn)練復(fù)雜度：僅需 fine-tune 一些連接模塊和任務(wù)預(yù)測模塊

低存儲需求：僅需存儲網(wǎng)絡(luò)的連通路徑，無需存儲整個網(wǎng)絡(luò)

可持續(xù)可恢復(fù)：連通路徑可增可減，不對 Model Zoo 進行任何修改

傳輸友好：在網(wǎng)絡(luò)傳輸時僅需傳輸連通路徑信息，無需對整個網(wǎng)絡(luò)傳輸

超體網(wǎng)絡(luò)的實現(xiàn)基礎(chǔ)為迅速擴張的 Model Zoo，海量預(yù)訓(xùn)練模型可供使用。因此對于任意任務(wù) T，我們總能找到一個或多個模型，使得這些已有模型的任務(wù)能組成成所需求任務(wù)。即：（選擇了三個網(wǎng)絡(luò)進行連通）。

如上圖所示，對于任務(wù) T，為了構(gòu)建對應(yīng)的超體網(wǎng)絡(luò) M_c , 本文提出以下的構(gòu)建框架：

步驟一：定位最合適的本體網(wǎng)絡(luò) M_t ，使得本體網(wǎng)絡(luò) M_t 的任務(wù)集 T_t 與所需任務(wù)集 T 的交集 T?T_t 最大，此時本體網(wǎng)絡(luò)被設(shè)定為主網(wǎng)絡(luò)；

步驟二：選擇修正網(wǎng)絡(luò) M_s^1 和 M_s^2，對本體網(wǎng)絡(luò)中缺失的部分任務(wù)進行補充；

步驟三：利用網(wǎng)絡(luò)克隆技術(shù)定位和連通部分修正網(wǎng)絡(luò) M_s^1 和 M_s^2 至本體網(wǎng)絡(luò) M_t；

步驟四：利用部分修正數(shù)據(jù)對網(wǎng)絡(luò)的連通模塊和預(yù)測模塊進行 fine-tune。

綜上所述，本文提出的構(gòu)建網(wǎng)絡(luò)超體所需的網(wǎng)絡(luò)克隆技術(shù)可以被表示為：

其中 M_s 表示修正網(wǎng)絡(luò)集合，因此網(wǎng)絡(luò)超體的連通形式為一個本體網(wǎng)絡(luò)加上一個或若干個修正網(wǎng)絡(luò)，網(wǎng)絡(luò)克隆技術(shù)就是克隆所需要的部分修正網(wǎng)絡(luò)，嵌入至本體網(wǎng)絡(luò)中。

具體來說，本文提出的網(wǎng)絡(luò)克隆框架包括以下兩個技術(shù)要點：

對于包含有 P 個修正網(wǎng)絡(luò)的克隆，第一個技術(shù)要點為關(guān)鍵部分定位 Local (?)。由于修正網(wǎng)絡(luò)可能會含有與任務(wù)集 T 無關(guān)的任務(wù)信息，關(guān)鍵部分定位 Local (?) 的目標(biāo)為定位修正網(wǎng)絡(luò)中與任務(wù) T?T_s 相關(guān)的部位，定位參數(shù)用 M^ρ 表示，實現(xiàn)細(xì)節(jié)在第 2.1 小節(jié)中給出。第二個技術(shù)要點為網(wǎng)絡(luò)模塊嵌入 Insert (?)，需選擇合適的網(wǎng)絡(luò)嵌入點 R^ρ 嵌入所有的修正網(wǎng)絡(luò)，實現(xiàn)細(xì)節(jié)在第 2.2 小節(jié)中給出。

02 方法總覽

在網(wǎng)絡(luò)克隆的方法部分，為了簡化敘述，我們設(shè)定修正網(wǎng)絡(luò)的數(shù)量 P=1（因此省略了修正網(wǎng)絡(luò)的上標(biāo) ρ），即我們連通一個本體網(wǎng)絡(luò)和一個修正網(wǎng)絡(luò)來搭建所需的超體網(wǎng)絡(luò)。

如上文所述，網(wǎng)絡(luò)克隆包含關(guān)鍵部分定位和網(wǎng)絡(luò)模塊嵌入。在這里，我們引入中間的可遷移模塊 M_f 用以輔助理解。即，網(wǎng)絡(luò)克隆技術(shù)在修正網(wǎng)絡(luò)中定位關(guān)鍵部位形成可遷移模塊 M_f，再將可遷移模塊通過軟連接嵌入至本體網(wǎng)絡(luò) M_t。因此，網(wǎng)絡(luò)克隆技術(shù)的目標(biāo)為定位和嵌入具有可遷移性和局部保真性的可遷移模塊。

2.1 網(wǎng)絡(luò)關(guān)鍵部位定位

網(wǎng)絡(luò)關(guān)鍵部位定位的目標(biāo)是學(xué)習(xí)選擇函數(shù) M，選擇函數(shù) M 在這里被定義為作用于網(wǎng)絡(luò)每一層 filter 的 mask。此時的可遷移模塊可以被表示為：

在上式中，我們將修正網(wǎng)絡(luò) M_s 表示為 L 層，每一層表示為。已知可遷移模塊的提取不對修正網(wǎng)絡(luò)做任何修改。

為了得到合適的可遷移模塊 M_f，我們定位修正網(wǎng)絡(luò) M_s 中對最終預(yù)測結(jié)果做出最大貢獻(xiàn)的顯式部分。在此之前，考慮到神經(jīng)網(wǎng)絡(luò)的黑盒特性，且我們只需要網(wǎng)絡(luò)的部分預(yù)測結(jié)果，因此我們利用 LIME 擬合修正網(wǎng)絡(luò)在所需任務(wù)的局部建模（具體細(xì)節(jié)請查看論文正文）。

局部建模結(jié)果用來表示，其中 D_t 是所需的部分預(yù)測結(jié)果對應(yīng)的訓(xùn)練數(shù)據(jù)集（小于原始網(wǎng)絡(luò)的訓(xùn)練集）。

因此選擇函數(shù) M 可以通過以下目標(biāo)函數(shù)進行優(yōu)化：

在該式中，定位的關(guān)鍵部分?jǐn)M合局部建模的 G。

2.2 網(wǎng)絡(luò)模塊嵌入

在修正網(wǎng)絡(luò)中定位可遷移模塊 M_f 時，使用擇函數(shù) M 直接從 M_s 中提取，無需修改其權(quán)重。下一步是決定在本體網(wǎng)絡(luò) M_t 中可遷移模塊 M_f 的嵌入位置，以獲得最佳的克隆性能。

網(wǎng)絡(luò)模塊的嵌入由位置參數(shù) R 控制。遵循大多數(shù)模型重用設(shè)置，網(wǎng)絡(luò)克隆將本體模型的前幾層保留為通用特征提取器，網(wǎng)絡(luò)嵌入過程被簡化為查找最佳嵌入位置（即在第 R 層嵌入可遷移模塊 M_f）。查找嵌入的過程可以表示為：

詳細(xì)的公式解釋請查詢正文。總體來說，基于搜索的嵌入包括以下要點：

最佳位置參數(shù) R 搜索的過程從網(wǎng)絡(luò)的深層到淺層；

在第 R 層進行可遷移性模塊嵌入后的超體網(wǎng)絡(luò)后，還需額外引入嵌入位置的 Adapter A 和重新 finetune F_c 層（對于分類網(wǎng)絡(luò)來說），但兩者的參數(shù)量相較于整個 model zoo 可以忽略不計；

當(dāng)從網(wǎng)絡(luò)的第 L-1 層至第 0 層建立起連接后，我們粗略的根據(jù)每一次 fine-tune 的 loss 收斂值估計嵌入的性能，選取最小收斂值點作為最終的網(wǎng)絡(luò)嵌入點。

03 網(wǎng)絡(luò)克隆技術(shù)的實際應(yīng)用

本文提出的網(wǎng)絡(luò)克隆技術(shù)的核心為建立起預(yù)訓(xùn)練網(wǎng)絡(luò)之間的連通路徑，不需要對預(yù)訓(xùn)練網(wǎng)絡(luò)進行任何參數(shù)的修改，它除了可以用作搭建網(wǎng)絡(luò)超體的關(guān)鍵技術(shù)，也能被靈活的運用到各種實際場景中。

場景一：網(wǎng)絡(luò)克隆技術(shù)使得 Model Zoo 在線使用成為可能。在一些資源有限的情況下，用戶可以在不下載預(yù)訓(xùn)練網(wǎng)絡(luò)到本地的情況下靈活地利用在線的 Model Zoo。

注意到克隆后的模型是由確定的，其中 M_t ?和M_s 在整個過程中都是固定且不變的。模型克隆對預(yù)訓(xùn)練模型上沒有進行任何修改，也沒有引入新模型。模型克隆使得 Model Zoo 中任何功能組合都成為可能，這也有助于維護 Model Zoo 的良好生態(tài)環(huán)境，因為建立連接使用 M 和 R 是一種簡單的 mask 和定位操作，易于撤銷。因此，提出的網(wǎng)絡(luò)克隆技術(shù)支持建立一個可持續(xù)的 Model Zoo 在線推理平臺。

場景二：經(jīng)由網(wǎng)絡(luò)克隆生成的網(wǎng)絡(luò)具備更好的信息傳輸形式。當(dāng)進行網(wǎng)絡(luò)傳輸時，該技術(shù)可以減少傳輸延遲和損失。

在進行網(wǎng)絡(luò)傳輸時，我們只需要傳輸集合，結(jié)合公共 Model Zoo，接收方可以恢復(fù)出原始網(wǎng)絡(luò)。與整個克隆后的網(wǎng)絡(luò)相比，非常小，因此可以減少傳輸延遲。如若 A 和 F_c 仍然存在一些傳輸損失，接收方可以通過在數(shù)據(jù)集上進行 fine-tune 來輕松修復(fù)。因此，網(wǎng)絡(luò)克隆為高效傳輸提供了一種新形式的網(wǎng)絡(luò)。

04 實驗結(jié)果

我們在分類任務(wù)上進行了實驗驗證。為了評估可遷移模塊的局部性能表征能力，我們引入了條件相似性指標(biāo)：

其中 Sim_cos (?) 表示余弦相似性。

上表中給出了在 MNIST，CIFAR-10，CIFAR-100 和 Tiny-ImageNet 上的實驗結(jié)果，可以看出網(wǎng)絡(luò)克隆（PNC）得到的模型的性能提升最為顯著。且若進行整個網(wǎng)絡(luò)的 fine-tune（PNC-F）并不會帶來網(wǎng)絡(luò)性能的提升，相反，它會增加模型的 bias。

除此之外，我們對可遷移模塊的質(zhì)量進行了評估（如上圖）。從圖（左）可以看出，從每個子數(shù)據(jù)集中學(xué)習(xí)的每個功能或多或少是相關(guān)的，這顯示出從修正網(wǎng)絡(luò)中提取和定位局部功能的重要性。對于可遷移模塊，我們計算其相似度 Sim (?)。圖（右）顯示，可遷移模塊與待克隆的子數(shù)據(jù)集在相似性上很高，其與其余子數(shù)據(jù)集的關(guān)系被削弱（非對角線區(qū)域用比源網(wǎng)絡(luò)的矩陣圖淺的顏色標(biāo)記）。因此，可以得出結(jié)論，可遷移模塊成功地模擬了要克隆的任務(wù)集上的局部性能，證明了定位策略的正確性。

05 總結(jié)

本文研究了一種新的知識轉(zhuǎn)移任務(wù)，稱為部分網(wǎng)絡(luò)克隆（PNC），它以復(fù)制粘貼的方式從修正網(wǎng)絡(luò)中克隆參數(shù)模塊并將其嵌入到本體網(wǎng)絡(luò)中。與以往的知識轉(zhuǎn)移設(shè)置不同（它們依賴于更新網(wǎng)絡(luò)的參數(shù)）我們的方法保證所有預(yù)訓(xùn)練模型的參數(shù)不變。PNC 的技術(shù)核心為同時進行網(wǎng)絡(luò)關(guān)鍵部位定位和可遷移模塊嵌入操作，兩個步驟相互加強。

我們在多個數(shù)據(jù)集上展示了我們的方法在準(zhǔn)確性和可遷移性指標(biāo)的突出結(jié)果。

審核編輯 ：李倩