你好 我在渐进式剪枝这一环节有些疑问 希望您解答

[Hao-tianWang]

你好，很出色的工作！
我在渐进式剪枝这一部分有一些疑问，在论文中，您提出用累计梯度的大小作为alpha参数重要性的衡量因子，不过在论文中好像并未说明更新alpha时变动的元素是alpha的grad值大还是值小的元素？
在代码中，我看到：

sorted_alpha_grad, indices = torch.sort(alpha_grad, descending=True)
    compression_weight = torch.ones_like(indices)
    compression_weight[indices < alpha_grad_attn.numel()] = 36 # 36 = 12 (number of heads) * [1 (weights of query) + 1 (weights of key) + 1 (weights of value)]
    threshold = sorted_alpha_grad[torch.argmin(torch.abs(torch.cumsum(compression_weight, 0) - torch.sum(compression_weight)*pi))]
    
    def update(module, grad):
        mask = ((grad <= threshold) | (grad <= torch.min(grad)))
        module.data.copy_(mask + (~mask)*(1 - pi/p))

这一部分似乎说明，在update过程中是grad比threshold大的部分参数得到了更新，将其趋于0，这里我有些疑问，为何grad比threshold大的部分参数重要性就小以至于能趋于0呢？希望您解答

[Dachuan Shi]

你好，

1. 更新alpha时变动的元素是alpha的grad值大还是值小的元素

   论文算法1的10-12行有具体流程，第10行的TopKMask代表取累计梯度最大的K个位置生成 0-1 Mask $M^t$ 。 $M_t$ 为0代表需要保留的位置， $M_t$为1代表需要剪枝的位置，也即累计梯度大的位置需要被剪枝。

2. 为何grad比threshold大的部分参数重要性就小以至于能趋于0呢

   首先需要区分在Progressive Pruning中会涉及到的两种不同mask。我们不想让需要被剪枝的值从原值直接变为0（这对应我们直接将二值化的 $M^t$ 乘到模型里），而是想让其逐渐变为0，因此这里我们需要把二值化的 $M^t$ 平滑成一个连续实值的mask $\zeta^t$，也即让 $\zeta^t$ 作为真正乘到模型里的mask。

   所有的mask $\zeta^t$的初值都为1，为促进稀疏化，其范数会被作为额外的损失项，即公式3。如果按正常随机梯度下降更新mask $\zeta^t$ 的参数，那么在不重要的位置上mask $\zeta^t$ 的值学出来会比较小，这也意味着从iteration 0开始他们的累计梯度比较大。由于在Progressive Pruning中我们需要控制在每个iteration时mask $\zeta^t$ 的更新，正常随机梯度下降只能促使mask $\zeta^t$ 值变小，但控制不了每个iteration时mask $\zeta^t$ 的具体取值，所以Progressive Pruning借用了累计梯度作为指标，先根据累计梯度生成0-1 Mask $M^t$，再根据 $M^t$ 和当前时间步 $t$ 平滑成连续实值的mask $\zeta^t$，以达到控制每个iteration时mask $\zeta^t$ 具体取值的效果。

[Jayce0625]

你好，

1. 更新alpha时变动的元素是alpha的grad值大还是值小的元素
   论文算法1的10-12行有具体流程，第10行的TopKMask代表取累计梯度最大的K个位置生成 0-1 Mask Mt 。 Mt 为0代表需要保留的位置， Mt为1代表需要剪枝的位置，也即累计梯度大的位置需要被剪枝。
2. 为何grad比threshold大的部分参数重要性就小以至于能趋于0呢
   首先需要区分在Progressive Pruning中会涉及到的两种不同mask。我们不想让需要被剪枝的值从原值直接变为0（这对应我们直接将二值化的 Mt 乘到模型里），而是想让其逐渐变为0，因此这里我们需要把二值化的 Mt 平滑成一个连续实值的mask ζt，也即让 ζt 作为真正乘到模型里的mask。
   所有的mask ζt的初值都为1，为促进稀疏化，其范数会被作为额外的损失项，即公式3。如果按正常随机梯度下降更新mask ζt 的参数，那么在不重要的位置上mask ζt 的值学出来会比较小，这也意味着从iteration 0开始他们的累计梯度比较大。由于在Progressive Pruning中我们需要控制在每个iteration时mask ζt 的更新，正常随机梯度下降只能促使mask ζt 值变小，但控制不了每个iteration时mask ζt 的具体取值，所以Progressive Pruning借用了累计梯度作为指标，先根据累计梯度生成0-1 Mask Mt，再根据 Mt 和当前时间步 t 平滑成连续实值的mask ζt，以达到控制每个iteration时mask ζt 具体取值的效果。

所以我可以理解为应该是M=0代表越重要所以需要保留吗？也就是楼主实际上说错了，楼主以为重要性小才会趋于0.传统掩码剪枝一般是为1保留为0修剪。但是您的工作中是把Mask矩阵看作修剪矩阵，所以1代表修剪0代表不剪，也就是1代表权重不重要0代表重要