# Come faccio il pruning di una rete neurale?

> Come potare una rete neurale addestrata eliminando i pesi poco utili, verificare quanta accuratezza resta e controllare che l'hardware risparmi davvero.

Source: https://greenai.guide/it/come/come-faccio-il-pruning-di-una-rete-neurale/  
Updated: 2026-11-19

## In breve

Poti una rete addestrata eliminando i pesi, i neuroni o gli strati che contribuiscono di meno, poi esegua un breve fine-tuning (affinamento) perché si riprenda e la verifichi rispetto al Suo livello di qualità. Il pruning ha ridotto di nove volte i parametri di AlexNet senza perdita di accuratezza, e modelli linguistici molto grandi sono stati potati in un solo passaggio ad almeno il 50% di sparsità. Preferisca il pruning strutturato se vuole che l'hardware comune li esegua più velocemente.

## Steps

1. Misuri prima accuratezza, latenza ed energia del modello non potato.
2. Scelga il pruning strutturato (interi neuroni, teste o strati), a meno che il Suo hardware non sfrutti i pesi sparsi.
3. Rimuova una quota moderata di pesi in base all'importanza, ad esempio quelli di modulo più piccolo.
4. Esegua un breve fine-tuning per permettere alla rete di riprendersi.
5. Ripeta per passi, verificando ogni volta, e si fermi quando la qualità scende sotto il Suo livello.

**Le reti grandi di solito hanno molti più pesi di quanti ne servano al loro compito, quindi molti si possono
eliminare dopo l'addestramento.** Il pruning (potatura) rende il modello più piccolo e, sull'hardware adatto, meno
costoso da eseguire.

## Che cosa dicono i dati? {#what-does-the-evidence-show}

Han e colleghi hanno mostrato nel 2015 che il pruning riduceva di nove volte i parametri del modello per immagini
AlexNet e di tredici volte quelli di VGG-16, senza perdita di accuratezza. L'ipotesi del biglietto della lotteria
di Frankle e Carbin ha rilevato che le reti grandi contengono sottoreti molto più piccole in grado di eguagliare
l'accuratezza della rete completa. Per i modelli linguistici, SparseGPT di Frantar e Alistarh ha potato modelli
molto grandi ad almeno il 50% di sparsità in un solo passaggio, senza riaddestramento, con un lieve aumento della
perplessità.

## Strutturato o non strutturato? {#structured-or-unstructured}

- **Il pruning non strutturato** rimuove singoli pesi. Può eliminarne di più, ma lascia zeri sparsi che le normali
  GPU e CPU spesso non riescono a saltare.
- **Il pruning strutturato** rimuove interi neuroni, teste di attenzione, canali o strati. Ne elimina meno, ma il
  modello più piccolo gira più velocemente su qualsiasi hardware.

## Errori comuni {#common-mistakes}

- **Contare gli zeri invece di misurare l'energia.** I risparmi teorici spesso superano quelli misurati. Un sandpit
  (laboratorio di ricerca intensivo e collaborativo) britannico sull'IA verde del 2026, che ha riunito matematici,
  informatici e industria, ha osservato che la sparsità resta poco sfruttata anche perché i chip più diffusi faticano
  a trarne vantaggio.
- **Potare troppo in una volta.** Proceda per passi e faccia fine-tuning tra un passo e l'altro.
- **Verificare solo sui benchmark.** Controlli i Suoi casi, compresi quelli rari, che il pruning può danneggiare per
  primi.

La rassegna del 2021 di Hoefler e colleghi, su oltre 300 articoli, è la guida di riferimento. Per la teoria, legga
[la matematica per un'IA efficiente](/it/articoli/la-matematica-che-rende-l-ia-piu-efficiente/).

## Fonti

- [Learning both weights and connections for efficient neural networks](https://arxiv.org/abs/1506.02626), Han, Pool, Tran and Dally, NeurIPS (2015)
- [SparseGPT: massive language models can be accurately pruned in one-shot](https://arxiv.org/abs/2301.00774), Frantar and Alistarh, ICML (2023)
- [Sparsity in deep learning: pruning and growth for efficient inference and training in neural networks](https://jmlr.org/papers/v22/21-0366.html), Hoefler, Alistarh, Ben-Nun, Dryden and Peste, Journal of Machine Learning Research (2021)
- [The lottery ticket hypothesis: finding sparse, trainable neural networks](https://arxiv.org/abs/1803.03635), Frankle and Carbin, ICLR (2019)
