一、论文基本信息
论文题目：Movement Pruning: Adaptive Sparsity by Fine-Tuning
作者：Victor Sanh、Thomas Wolf、Alexander M. Rush
发表会议：NeurIPS 2020
方法名称：Movement Pruning
研究对象：BERT-base 等预训练语言模型的任务级剪枝
相关实现：Hugging Face 提供了 movement pruning / PruneBERT 相关代码和模型说明。官方相关仓库说明，这个方法用于对预训练模型如 BERT 做 fine-pruning，并强调它与 magnitude pruning 的区别：magnitude pruning 保留“远离 0 的权重”，movement pruning 保留“在微调过程中远离 0 的权重”。(GitHub)
这篇论文的核心问题是：
在预训练模型迁移到下游任务时，传统 magnitude pruning 是否仍然合适？
论文的回答是：不够合适。
原因是，BERT 这类模型的权重主要来自大规模预训练；下游 fine-tuning 通常只让权重发生很小变化。如果只看权重绝对值大小，那么剪枝决策很大程度上已经被预训练阶段决定了，而不是由当前下游任务决定。Movement Pruning 的思路是：不要只看权重当前有多大，而要看它在 fine-tuning 过程中是朝着“更重要”方向移动，还是朝着“可删除”方向移动。论文摘要明确指出，movement pruning 是一种简单、确定性的 first-order weight pruning 方法，更适合预训练模型的 fine-tuning 场景。
二、论文要解决的问题
传统 magnitude pruning 的逻辑非常直接：
权重绝对值大，说明重要。
权重绝对值小，说明不重要。
这种方法在从零开始训练的普通监督学习模型中很常见，也经常有效。因为模型权重完全由当前任务数据训练出来，权重大小和任务重要性之间通常存在一定关系。
但 BERT 这类预训练模型不一样。
预训练模型先在大规模通用语料上训练，再在下游任务上 fine-tune。Fine-tuning 阶段的数据通常比预训练数据小得多，权重不会发生剧烈变化。论文指出，在 transfer learning 场景中，权重值大多由原始预训练模型决定，fine-tuning 只做较小调整，因此 magnitude pruning 很难真正根据下游任务学习剪枝决策。
这就导致一个问题：
一个在预训练阶段绝对值很大的权重，不一定对当前下游任务重要。
一个原本绝对值较小的权重，也可能在 fine-tuning 中变得对当前任务重要。
所以 Movement Pruning 要解决的问题是：
如何让剪枝标准适应下游任务 fine-tuning，而不是被预训练权重大小锁死？
三、核心思想
Movement Pruning 的核心思想可以概括为：
保留那些在 fine-tuning 过程中远离 0 的权重，剪掉那些在 fine-tuning 过程中趋向 0 的权重。
这和 magnitude pruning 的判断标准完全不同。
Magnitude pruning 关心的是：
这个权重现在离 0 有多远？
Movement pruning 关心的是：
这个权重在当前任务训练过程中，是在远离 0，还是在靠近 0？
如果一个权重虽然当前绝对值很大，但 fine-tuning 过程中一直往 0 靠近，说明当前任务可能不需要它。
如果一个权重虽然当前绝对值不大，但 fine-tuning 过程中持续远离 0，说明当前任务正在强化它。
论文中明确说，movement pruning 与 magnitude pruning 的区别在于：低值和高值权重都可能被剪掉，只要它们在训练中收缩；而被保留的是那些在训练中远离 0 的连接。
这个思想非常适合 BERT 这种预训练模型，因为它真正利用了 fine-tuning 过程中产生的任务特定信号。
四、它是不是结构化剪枝？
严格来说，原始 Movement Pruning 主要是非结构化权重剪枝。
它剪的是单个 weight，而不是完整 attention head、FFN neuron、Transformer layer 或 channel。
也就是说，它产生的是稀疏矩阵：
某些权重变成 0。
矩阵整体形状不变。
Transformer 层数、hidden size、attention head 数量都不变。
所以它和 Head Pruning、LayerDrop、DynaBERT 这类结构化方法不同。
不过，Movement Pruning 的思想后来可以扩展到 block pruning 或结构化 pruning 中。例如后续工作会把 movement pruning 的思想用于更大的结构块。但这篇原始论文的核心方法是：
adaptive unstructured sparsity by fine-tuning。
这点很重要，因为它直接影响部署：
非结构化剪枝可以大幅减少非零参数量和存储。
但如果硬件或推理框架不能高效利用稀疏矩阵，实际推理速度不一定明显提升。
论文也明确指出，当前硬件对稀疏模型推理支持有限，从推理速度角度看，同等大小的小型 dense model 有时更理想。
五、方法细节：Score-Based Pruning
Movement Pruning 使用了一套score-based pruning框架。
简单说，每个权重 (W) 旁边都会有一个对应的重要性分数 (S)。
训练时，模型同时学习两类东西：
原始权重 (W)。
剪枝分数 (S)。
最后根据分数 (S) 生成二值 mask：
mask = 1，表示保留该权重。
mask = 0，表示剪掉该权重。
这和 magnitude pruning 的区别在于：magnitude pruning 的分数直接来自权重绝对值，而 movement pruning 的分数是在 fine-tuning 中学习出来的。
可以理解为：
Magnitude pruning：权重自己决定自己是否重要。
Movement pruning：额外学习一个“是否保留”的评分系统。
六、Hard Movement Pruning
论文提出了 hard movement pruning。
它的做法是：根据分数 (S) 保留 top-(v)% 的权重，其余权重 mask 为 0。
这里 (v) 表示保留比例。
例如：
保留 10% 权重，表示 90% 权重被剪掉。
保留 3% 权重，表示 97% 权重被剪掉。
问题是，top-k / top-v 操作本身不可导。也就是说，不能直接通过普通反向传播更新分数 (S)。
论文采用straight-through estimator，直通估计器。简单说，前向传播时用硬 mask，反向传播时假装 mask 操作可以传梯度，让梯度直接传给分数 (S)。论文明确说明，由于 Top-v 的梯度几乎处处为 0，它们在 backward pass 中忽略 Top-v，把梯度 straight-through 到 (S)。
这种设计的含义是：
前向时模型真的按照稀疏 mask 运行。
反向时分数仍然可以学习。
这就是 hard movement pruning 的核心。
七、为什么它能反映“movement”？
Movement Pruning 的分数更新和权重梯度有关。
直观上，如果一个权重的更新方向让它远离 0，那么对应分数会增加，更可能被保留。
如果一个权重的更新方向让它靠近 0，那么对应分数会下降，更可能被剪掉。
论文解释得很清楚：当权重在训练中远离 0 时，score 会增加；当权重向 0 收缩时，score 会降低。因此，score 可以被看作一种 movement accumulator，也就是对权重移动方向的累积记录。
这就是这篇论文最核心的思想。
它不是看某一时刻的权重大小，而是看 fine-tuning 过程中权重的运动趋势。
所以 Movement Pruning 更像是在问：
当前任务到底在强化哪些连接？
当前任务又在弱化哪些连接？
八、Soft Movement Pruning
除了 hard movement pruning，论文还提出了soft movement pruning。
Hard 版本用 top-v 保留固定比例权重；soft 版本则使用连续 mask，并加入稀疏正则，让模型自己学出稀疏结构。
可以这样理解：
Hard movement pruning：直接规定最后保留多少权重。
Soft movement pruning：通过正则项鼓励分数变稀疏，再根据阈值得到 mask。
Soft 版本通常表现更好，尤其在高稀疏率下。论文结果中，soft movement pruning 在 SQuAD、MNLI、QQP 上高稀疏区间普遍优于 magnitude pruning、L0 regularization 和 hard movement pruning。
原因也比较直观：
Hard top-v 对保留比例控制更直接，但训练中更硬、更不平滑。
Soft 版本让 mask 学习更连续，配合正则更容易优化。
所以论文最终实验中最强的通常是：
Soft Movement Pruning。
九、渐进式剪枝：不是一开始就剪到很稀疏
Movement Pruning 不是一开始就把模型剪到 3% 或 10% 权重。
它采用类似 automated gradual pruning 的方式：训练前期先保持较高保留率，随着 fine-tuning 进行，逐渐提高稀疏率，最后达到目标保留比例。
论文遵循 Zhu and Gupta 的 cubic sparsity scheduling，并且发现剪枝结束后加入一定 cool-down 步骤可以提升高稀疏率下表现。
这个设计很重要。
如果一开始就强行剪到极高稀疏度，模型还没适应任务，性能很容易崩。
渐进式剪枝的好处是：
先让模型学习任务。
再逐步收紧稀疏约束。
最后用 cool-down 让稀疏模型稳定下来。
十、实验设置
论文主要实验对象是BERT-base-uncased。
作者做的是task-specific pruning，也就是针对每个下游任务分别 fine-prune。论文说明，实验使用 BERT-base-uncased，并冻结 embedding modules，只 fine-tune Transformer layers 和任务特定 head；所有稀疏率都相对于 BERT-base 统计，对应模型大小。
实验任务包括三个英文 benchmark：
| 任务 | 类型 | 数据量 | 指标 |
|---|---|---|---|
| SQuAD v1.1 | 抽取式问答 | 约 8K 训练样本 | EM / F1 |
| MNLI | 自然语言推理 | 约 393K 训练样本 | matched / mismatched accuracy |
| QQP | 句子对相似 / 重复问题判断 | 约 364K 训练样本 | accuracy / F1 |
论文明确说明，SQuAD 是 span extraction，MNLI 和 QQP 是 paired sentence classification。
对比方法包括：
Magnitude Pruning。
L0 Regularization。
Reweighted Proximal Pruning。
LayerDrop。
mini-BERT。
论文还测试了 movement pruning 与知识蒸馏结合后的效果。
十一、实验结果解读
11.1 高稀疏率下，Movement Pruning 明显优于 Magnitude Pruning
论文最重要的结果是：
在高稀疏率下，movement pruning 明显优于 magnitude pruning。
当保留权重较多时，例如剩余 70% 以上，magnitude pruning 表现很好，甚至通常优于 movement pruning。但随着稀疏率提高，magnitude pruning 开始快速下降，而 movement pruning 更稳定。论文在结果部分明确指出，低稀疏区间 magnitude pruning 表现更好，但高稀疏区间 movement pruning 明显胜出。
这正好符合论文的理论判断：
低稀疏率时，剪掉少量小权重就够了。
高稀疏率时，必须根据任务重新判断哪些连接真正重要。
Magnitude pruning 只看权重大小，不能充分适应下游任务；movement pruning 利用 fine-tuning 中的任务信号，因此高稀疏率更强。
11.2 只保留 10% 权重时，Soft Movement Pruning 表现最好
论文 Table 2 报告了 10% 和 3% 剩余权重下的结果。
在SQuAD Dev上，BERT-base fine-tuned 是80.4 / 88.1 EM/F1。当只保留10% 权重时，Magnitude Pruning 为67.7 / 78.5，L0 Regularization 为69.9 / 80.0，Movement Pruning 为71.9 / 81.7，Soft Movement Pruning 为71.3 / 81.5。当只保留3% 权重时，Soft Movement Pruning 达到69.5 / 79.9，明显优于 Magnitude Pruning 的40.1 / 54.5。
在MNLI Dev上，10% 权重下 Soft Movement Pruning 达到80.7 / 81.1，3% 权重下达到79.0 / 79.6，明显优于 Magnitude Pruning。
在QQP Dev上，10% 权重下 Soft Movement Pruning 达到90.5 / 87.1，3% 权重下达到89.3 / 85.6，也显著优于 Magnitude Pruning。
这个结果很强，因为它说明：
即使只保留极少量 encoder 权重，BERT 仍然可以保留相当多的下游任务性能。
11.3 加入蒸馏后，性能进一步提升
论文进一步把 pruning 和 knowledge distillation 结合起来。Teacher 使用 fine-tuned BERT-base，训练目标是任务损失和输出分布蒸馏损失的组合。论文指出，蒸馏会提升所有剪枝方法，在所有数据集和稀疏率下都有帮助。
加入蒸馏后，在SQuAD上，10% 权重时 Soft Movement Pruning 达到76.6 / 84.9，3% 权重时达到72.7 / 82.3。在MNLI上，10% 权重时达到81.2 / 81.8，3% 权重时达到79.5 / 80.1。在QQP上，10% 权重时达到90.2 / 86.8，3% 权重时达到89.1 / 85.5。
这里的重点是：
Movement Pruning 本身已经很强，但和蒸馏结合后，在极高稀疏率下仍能保持更高性能。
论文摘要也指出，结合蒸馏后，模型可以在只剩3% 参数的情况下仍保持较小精度损失。(arXiv)
11.4 Movement Pruning 与 Magnitude Pruning 得到的稀疏模型差异很大
论文分析发现，movement pruning 和 magnitude pruning 最终保留下来的权重分布差异明显。
Magnitude pruning 会直接删除接近 0 的权重，因此剩余权重分布呈现明显“两边大、中间空”的形态。
Movement pruning 则不同。它不仅可能保留小权重，也可能剪掉大权重。论文观察到，movement pruning 的 score 和权重绝对值之间没有简单关系；高绝对值和低绝对值权重都可能重要，也都可能被剪。
这说明：
Movement Pruning 学到的不是“权重大就保留”，而是“对当前任务有用就保留”。
这正是它在 transfer learning 场景中优于 magnitude pruning 的根本原因。
11.5 全局剪枝与局部剪枝差距不大，但高稀疏下全局略有优势
论文还比较了 local selection 和 global selection。
Local selection 是在每个矩阵内部选出 top-v 权重。
Global selection 是在全网络所有矩阵中统一选出 top-v 权重。
直觉上，global selection 可以让不同层、不同矩阵获得不同稀疏率，因此可能更好。但论文发现，二者整体差距不大；只有在高稀疏率下，global movement pruning 有一定优势，例如在 SQuAD 只保留 3% 权重时差距约 2.3 F1。
论文还发现，全局一阶方法倾向于给低层保留更多权重，而高层被剪得更重。
这个现象很有意思：
BERT 低层可能承担更通用、基础的表示功能，因此在极高稀疏下更需要保留。
十二、方法优点
12.1 专门适合预训练模型 fine-tuning 场景
Movement Pruning 最大的贡献就是指出：
预训练模型剪枝不能只看权重大小，必须考虑 fine-tuning 过程中的任务适应方向。
这比传统 magnitude pruning 更符合 BERT 这类迁移学习模型的特点。
12.2 高稀疏率下效果明显更好
论文最有说服力的地方是在 10%、3% 剩余权重这种极端稀疏下，movement pruning 仍能保持较好性能，而 magnitude pruning 大幅下降。
这说明它真正适合extreme sparsity场景。
12.3 方法简单，不需要二阶信息
Movement Pruning 使用一阶梯度信号，不需要计算 Hessian 或复杂二阶近似。
所以它比二阶 pruning 方法更容易实现，也更适合大模型。
论文也明确指出，它不需要昂贵的二阶导数计算，importance scores 可以作为标准 fine-tuning 的副产物获得。
12.4 可以和蒸馏结合
它本身不依赖 teacher，但如果加入知识蒸馏，性能还能进一步提升。论文结果显示，distillation 会增强所有剪枝方法，而 soft movement pruning + distillation 表现最强。
这说明它和蒸馏、量化等压缩方法是互补的。
12.5 可以得到极小存储模型
Hugging Face 的实现说明中提到，movement pruning 可以获得极高稀疏模型，例如只保留约 5% 权重时仍保留约 95% dense performance；也展示了通过标准稀疏存储把 BERT encoder 大幅压缩的可能性。(GitHub)
这说明它对模型存储压缩很有价值。
十三、方法局限
13.1 原始方法是非结构化稀疏，不一定带来真实加速
这是 Movement Pruning 最大的局限。
它剪掉的是单个权重，得到的是稀疏矩阵。如果底层硬件和推理框架不能高效执行稀疏矩阵乘法，那么实际推理速度可能不会明显提升。
Hugging Face 相关说明也指出，标准 PyTorch 推理下，movement pruning 得到的极稀疏模型并没有明显 inference speed 提升，需要专门面向稀疏架构的推理设置。(GitHub)
所以它更直接的收益是：
模型存储变小。
而不是一定：
端到端推理马上变快。
13.2 需要任务级 fine-pruning
Movement Pruning 是在下游任务 fine-tuning 阶段学习稀疏结构。
这意味着每个任务通常要单独 fine-prune 一次。
如果希望得到一个通用稀疏 BERT，然后直接迁移到所有任务，这篇论文没有完全解决。
13.3 对低稀疏率不一定优于 magnitude pruning
论文结果显示，在低稀疏率、保留权重较多时，magnitude pruning 往往表现更好或更稳定。
所以 Movement Pruning 的优势主要在：
高稀疏率。
如果只剪掉少量权重，传统 magnitude pruning 可能已经足够。
13.4 训练和调参比简单 magnitude pruning 更复杂
Magnitude pruning 很简单：按权重大小排序剪掉即可。
Movement Pruning 需要额外 score 参数、mask 学习、稀疏率调度、warm-up、cool-down、soft/hard 选择等。
所以它的工程复杂度更高。
13.5 没有直接解决结构化压缩问题
如果目标是减少 heads、减少 layers、减少 FFN blocks、减少 hidden size，Movement Pruning 原始形式不是直接答案。
它可以作为更大结构块剪枝的思想基础，但原论文主要做的是 weight-level pruning。
十四、整体评价
Movement Pruning 的核心价值在于，它重新定义了预训练模型剪枝时“重要性”的含义。
在普通监督学习中，权重大小往往能反映任务重要性；但在 BERT 这样的预训练模型中，权重大小更多反映预训练阶段的通用知识。下游任务 fine-tuning 时，真正重要的是：哪些连接被当前任务进一步强化，哪些连接正在被弱化。
因此，Movement Pruning 的判断标准非常自然：
保留那些在 fine-tuning 中远离 0 的权重。
剪掉那些在 fine-tuning 中趋向 0 的权重。
这让它比 magnitude pruning 更适合 task-specific transfer learning 场景。实验也证明，在只保留 10% 甚至 3% encoder 权重的极端稀疏条件下，movement pruning 尤其是 soft movement pruning，明显优于 magnitude pruning 和 L0 regularization。
不过，它的核心局限也很清楚：它主要产生非结构化稀疏。如果没有稀疏硬件或专门推理库，参数少不等于速度快。因此，它更适合存储压缩、稀疏模型研究，或者作为后续 block pruning / structured sparse pruning 的基础思想。
十五、一句话总结
《Movement Pruning: Adaptive Sparsity by Fine-Tuning》提出一种面向预训练语言模型的任务自适应剪枝方法：不再根据权重绝对值大小决定保留或删除，而是根据 fine-tuning 过程中权重是否远离 0 来学习剪枝分数；实验表明，在 BERT 的 SQuAD、MNLI 和 QQP 任务上，Movement Pruning 尤其是 Soft Movement Pruning 在高稀疏率下明显优于 Magnitude Pruning，并且与蒸馏结合后可以在只保留极少参数时仍保持较强性能。