Bonsai: Framework zur Beschleunigung von CNNs durch kriteriumsbasierte Pruning

Mit der steigenden Nachfrage nach hochpräzisen Convolutional Neural Networks wachsen die Modelle immer weiter – und damit auch ihr Speicherbedarf, die Rechenzeit und der Stromverbrauch. Um diesen Herausforderungen zu begegnen, wurden verschiedene Pruning‑Methoden entwickelt, die jedoch oft unterschiedliche Kriterien und Implementierungen nutzen, was Vergleichbarkeit und Einsatz erschwert.

Die neue Plattform Bonsai löst dieses Problem, indem sie ein einheitliches, kriteriumsbasiertes Pruning‑Framework bereitstellt. Es ermöglicht schnelle, iterative Filtereliminierungen und definiert zugleich eine gemeinsame Sprache, um verschiedene Pruning‑Kriterien systematisch zu vergleichen. Darüber hinaus werden mehrere neuartige Kriterien vorgestellt, die speziell auf die Optimierung von CNN‑Architekturen abzielen.

In umfangreichen Tests auf VGG‑inspirierten Modellen konnte Bonsai bis zu 79 % der Filter entfernen, ohne die Genauigkeit zu verlieren – in einigen Fällen sogar zu verbessern. Gleichzeitig reduziert sich die benötigte Rechenleistung um bis zu 68 %, was die Modelle deutlich kompakter und energieeffizienter macht.

Durch die Kombination aus schneller Ausführung, klarer Vergleichbarkeit und innovativen Kriterien bietet Bonsai einen praxisnahen Ansatz, um CNNs effizienter zu gestalten und ihre Einsatzmöglichkeiten in ressourcenbeschränkten Umgebungen zu erweitern.