輕量化模型

• 1. 卷積
• • 深度可分離卷積（Depthwise separable Convolution）
  • 分組卷積（Group Convolution）
• 2. MobileNet
• • 一個問題
• 3. ShuffleNet
• • channel shuffle
  • pointwise group convolutions
  • ShuffleNet unit
  • ShuffleNet
• 4. SE模塊
• • Squeeze操作
  • Excitation操作
  • SE模塊的加載
  • SE Block實現(xiàn)

1. 卷積

深度可分離卷積（Depthwise separable Convolution）

深度可分離卷積depthwise separable convolution較多的應(yīng)用在輕量級的網(wǎng)絡(luò)，由depthwise(DW)和pointwise(PW)兩個部分結(jié)合起來提取特征feature map。相比常規(guī)的卷積操作，其參數(shù)數(shù)量和運(yùn)算成本比較低。

Depthwise separable convolution將卷積操作分為兩步，分別是逐點(diǎn)卷積（PointWise Convolution,PW）和逐通道卷積（DepthWise Convolution,DW）。

• DepthWise Convolution
  標(biāo)準(zhǔn)卷積操作將卷積核用于所有的輸入通道上，如輸入為3×224×224時，一個卷積核在3個通道上同時卷積操作，最終一個卷積核對應(yīng)輸出一個feature map，而DepthWise Convolution不同，它針對每個輸入通道應(yīng)用不同的卷積核，一個卷積核對應(yīng)一個輸入通道。DW卷積完全在二維平面內(nèi)運(yùn)算，卷積核數(shù)量與上一層的通道數(shù)相同，如下圖所示

  
  Depthwise Convolution完成后的Feature map數(shù)量與輸入層的通道數(shù)相同，無法擴(kuò)展Feature map。而且這種運(yùn)算對輸入層的每個通道獨(dú)立進(jìn)行卷積運(yùn)算，沒有有效的利用不同通道在相同空間位置上的特征信息。因此需要PointWise Convolution來將這些Feature map進(jìn)行組合生成新的Feature map。

• PointWise Convolution
  PointWise Convolution就是卷積核大小為1×1×M的標(biāo)準(zhǔn)卷積，M為上一層的輸出通道數(shù)。PW卷積在ResNet中已經(jīng)用到，使用1×1卷積降低維度。PW卷積運(yùn)算會將上一步的feature map在深度方向上進(jìn)行加權(quán)組合，生成新的feature map，與普通卷積相同，輸出的feature map數(shù)量與卷積核數(shù)量保持一致，如下圖所示，上一層輸出深度為3，則卷積核大小為1×1×3 。
  PW卷積的作用是對DW后各通道的特征進(jìn)行融合，使得不同通道在相同空間位置上的特征得到有效利用。
  

綜合來看，Depthwise separable convolution運(yùn)算過程如下。

深度可分離卷積降低了參數(shù)數(shù)量和運(yùn)算成本，以3×5×5的輸入，要得到輸出為4×3×3的輸出為例，分別計算使用標(biāo)準(zhǔn)卷積和深度可分離卷積的參數(shù)量與運(yùn)算量。

標(biāo)準(zhǔn)卷積
由[3, 5, 5]獲得[4, 3, 3]，需要4個filter，每個大小為3×3，參數(shù)量為卷積核W x 卷積核H x 輸入通道數(shù) x 輸出通道數(shù) = 4×3×3×3 = 108，計算量為卷積核W x 卷積核H x (圖片W-卷積核W+1) x (圖片H-卷積核H+1) x 輸入通道數(shù) x 輸出通道數(shù) = 3×3×(5-2)×(5-2)×3×4 = 972 。

Depthwise separable convolution
首先考慮DW卷積，維度與輸入通道數(shù)保持一致，則需要3個卷積核，每個大小為3×3，則參數(shù)量=27，計算量為243；
再考慮PW卷積，卷積核大小為1×1×3,，共有4個，則參數(shù)量為1×1×3×4=12，運(yùn)算量為1×1×3×3×3×4=108；

相加可以得到，深度可分離卷積共計參數(shù)量為39，運(yùn)算量為351，與標(biāo)準(zhǔn)卷積的108，972相比縮小了很多。

分組卷積（Group Convolution）

分組卷積對輸入進(jìn)行分組，每組分別卷積，若輸入為$C\times H\times W$，卷積核數(shù)量為N，分為$G$個組，每組需處理的輸入為$\frac{C}{G}$個，每組輸出為$\frac{N}{G}$，設(shè)每個卷積核大小為$\frac{C}{G}\times K\times K$，卷積核共有$N$個，參數(shù)量為$N\times \frac{C}{G}\times K\times K$。
即常規(guī)卷積輸出的特征圖上，每一個點(diǎn)是由輸入特征圖$C\times H\times W$個點(diǎn)計算得到的，分組卷積輸出的特征圖上，每一個點(diǎn)是由輸入特征圖 $\frac{C}{G}\times H\times W$個點(diǎn)計算得到的，所以分組卷積的參數(shù)量是標(biāo)準(zhǔn)卷積的$\frac{1}{G}$

因為每組的卷積核只與該組的輸入進(jìn)行卷積，不會與其他組的輸入計算，故運(yùn)算量也大大減小。下圖清晰的展示了分組卷積的運(yùn)算。

2. MobileNet

MobileNet的基本單元是depthwise separable convolution，它們對參數(shù)規(guī)模和計算量的改進(jìn)我們在上面已經(jīng)有所解釋，根據(jù)論文中進(jìn)一步的推導(dǎo)，比較depthwise separable convolution和標(biāo)準(zhǔn)卷積可以得到如下公式：

其中$N$為輸出特征圖深度，$D_K$為卷積核大小，$N$值一般較大，所以可以粗略地認(rèn)為depthwise separable convolution相較于標(biāo)準(zhǔn)卷積，其參數(shù)量可減少至后者的$\frac{1}{D_K^2}$。

MobileNet基本結(jié)構(gòu)如下圖右，

基本單元即為可分離卷積單元，從代碼角度來看MobileNet的Block更為清晰。

class Block(nn.Module):'''Depthwise conv + Pointwise conv'''def __init__(self, in_planes, out_planes, stride=1):super(Block, self).__init__()# DW卷積, 卷積核大小3×3, 分為 in_planes,各層單獨(dú)進(jìn)行卷積# 輸入輸出深度相同均為in_planesself.conv1 = nn.Conv2d(in_planes, in_planes, kernel_size=3, stride=stride, padding=1, groups=in_planes, bias=False)self.bn1 = nn.BatchNorm2d(in_planes)# PW 卷積, 1*1 的卷積核self.conv2 = nn.Conv2d(in_planes, out_planes, kernel_size=1, stride=1, padding=0, bias=False)self.bn2 = nn.BatchNorm2d(out_planes)def forward(self, x):out = F.relu(self.bn1(self.conv1(x)))out = F.relu(self.bn2(self.conv2(out)))return out

MobileNet共有28層，第一層為標(biāo)準(zhǔn)3×3卷積，總體結(jié)構(gòu)如下圖

模型在訓(xùn)練時使用了非常少的正則化以及數(shù)據(jù)增強(qiáng)技術(shù)，因為小模型很少有過擬合的問題，也沒有使用side heads或者標(biāo)簽平滑操作，因為深度卷積中參數(shù)量很小，所以也沒有進(jìn)行權(quán)重衰減。

MobileNet為了進(jìn)一步縮小模型，引入了兩個超參數(shù)——width multiplier和resolution multiplier，前者按比例減少通道數(shù)，記為$\alpha$，幾個典型的取值為1, 0.75, 0.5和0.25，結(jié)合此參數(shù)，計算量為

后者按比例降低特征圖大小，記為$\rho$，例如原來輸入特征圖是224x224，可以減少為192x192，引入resolution multiplier后，參數(shù)計算為

引入width multiplier和resolution multiplier勢必會降低MobileNet的性能，所以根據(jù)需要的accuracy和model size來選擇其取值。

一個問題

在很多文章中提到了此時計算量的bottleneck是conv1x1，這是我現(xiàn)在還沒能理解的地方，需要以后繼續(xù)學(xué)習(xí)。

3. ShuffleNet

前面提到在MobileNet中，1×1卷積已成為繼續(xù)縮減計算量的瓶頸，這時出現(xiàn)了ShuffleNet，它在Xception和ResNeXt基礎(chǔ)上，使用pointwise group convolutions減少1×1卷積的復(fù)雜性，并且為了克服分組卷積帶來的副作用（分組之間的信息不流通），提出一種新的操作——channel shuffle來幫助不同特征分組之間的信息“交流”。

ShuffleNet除了已經(jīng)介紹的depthwise separable convolution，還使用了channel shuffle、pointwise group convolutions來改進(jìn)ResNet。

channel shuffle

channel shuffle操作基于分組卷積（group convolution），分組卷積已在上面介紹過，如下圖(a)所示，每個卷積核僅與其對應(yīng)分組的feature map做卷積，這樣大大減少了計算量，但是會有“副作用”，對于輸出特征，它僅僅關(guān)注學(xué)習(xí)所在分組的特征，某個通道的輸出僅來自一小部分輸入通道，這樣具有很大的局限性，故作者提出channel shuffle。

在(b)圖中，在一次分組卷積GConv1后，對所得結(jié)果的feature劃分為subgroups（在代碼中可通過reshape和 transpose來實現(xiàn)），將subgroups順序打亂后輸入到GConv2的分組卷積核中，而( c )圖的思想與(b)圖是一致的，這樣就可以在一定程度上解決分組卷積通道信息不相關(guān)的問題。

對channel shuffle，原文中已解釋的很明白

This can be efficiently and elegantly implemented by a channel shuffle operation (Fig 1 (c )): suppose a convolutional layer with g groups whose output has g × n channels; we first reshape the output channel dimension into (g; n), transposing and then flattening it back as the input of next layer.

即使兩個卷積具有不同的組數(shù)，該操作仍然有效。此外，channel shuffle也是可微的，這意味著它可以嵌入到網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行端到端訓(xùn)練。

pointwise group convolutions

PW卷積為卷積核大小為1×1的卷積操作，pointwise group convolutions即為分組的PW卷積。

ShuffleNet unit

作者利用原始ResNet中的Bottleneck模塊，逐步改進(jìn)，最終形成ShuffleNet Unit。

圖（a）：用3×3的DW卷積代替Bottleneck中的3×3卷積；
圖（b）：用1×1的分組卷積代替原來的1×1卷積；
圖（c）：在short cut上添加3×3的平均池化并設(shè)置stride=2，改變原有ResNet的Add操作為concat，即按channel合并，這使得在不增加額外計算成本的情況下，很容易擴(kuò)大通道尺寸。

ShuffleNet

基于ShuffleNet Unit，提出ShuffleNet結(jié)構(gòu)如下表

ShuffleNet主要由ShuffleNet Unit堆疊而成，主體遵循ResNet的結(jié)構(gòu)，分為3個stage，每個stage中用ShuffleNet Unit代替原有的殘差塊，在ShuffleNet Unit中使用分組數(shù)g控制PW卷積的復(fù)雜度，使用不同組數(shù)和輸出通道數(shù)，以確保計算量大致不變。

將上表中的ShuffleNet作為ShuffleNet 1×，在通道上取一個縮放因子$s$，將其模型稱為ShuffleNet s×，$s$用于控制filters的數(shù)量，在整個ShuffleNet架構(gòu)上，其復(fù)雜度的變化大概是$s^2$倍，不同參數(shù)的表現(xiàn)和計算量如下表所示

ShuffleNet的實現(xiàn)代碼：ShuffleNet V1 神經(jīng)網(wǎng)絡(luò)簡介與代碼實戰(zhàn)

對于卷積模型壓縮的幾個變形，這篇文章介紹的很詳細(xì)，可作為參考閱讀：
深入剖析MobileNet和它的變種（例如：ShuffleNet）為什么會變快?

4. SE模塊

SENet即Squeeze-and-Excitation Networks，使用SE模塊學(xué)習(xí)通道之間的相關(guān)性，通過對通道進(jìn)行加權(quán)，強(qiáng)調(diào)有效信息，抑制無效信息。
SE模塊分為Squeeze和Excitation兩部分，很容易加載到已有的網(wǎng)絡(luò)架構(gòu)中，SE模塊的結(jié)構(gòu)如下圖所示：

可以看到，輸入X（$C^{\prime }\times H^{\prime }\times W^{\prime }$）先經(jīng)過一個$F_{tr}$變換（eg. 卷積）獲得特征圖U（$C\times H\times W$），接著就要進(jìn)行SE分支的操作。

Squeeze操作

Squeeze本質(zhì)上是一個全局平均池化，順著空間維度進(jìn)行特征壓縮，將每個二維的特征通道變成一個通道描述符（標(biāo)量），這個描述符在某種程度上具有全局的感受野，并且輸出的維度（$1\times 1\times C$）與輸入的特征通道數(shù)一致，它允許網(wǎng)絡(luò)的所有層使用來自全局感受野的信息。

Excitation操作

輸入為Squeeze的輸出，維度為$1\times 1\times C$。
Excitation操作基于特征通道間的相關(guān)性，對每個特征通道生成了一個權(quán)重，用于代表特征通道的重要程度，故Excitation的輸出維度仍是C個標(biāo)量（$1\times 1\times C$）。
權(quán)重生成后，通過乘法逐通道地加權(quán)到之前的特征上，完成通道維度上對原始特征的特征重標(biāo)定。

SE模塊的加載

SE模塊的簡單性也使得它很容易加入到已有的網(wǎng)絡(luò)結(jié)構(gòu)中，原論文中舉了兩個例子，分別是Inception和ResNet并給出了詳細(xì)的計算圖，結(jié)合Inception網(wǎng)絡(luò)的計算圖，可以更好的理解SE模塊的操作過程。

Squeeze操作即圖中的Global Pooling，Excitation操作即后續(xù)的FC+RELU+FC+Sigmoid組合。
在進(jìn)行Excitation時，第一次FC的輸出維度上添加了一個衰減因子reduction，這個參數(shù)的目的是為了減少通道個數(shù)從而降低計算量。

對Squeeze中的池化選擇、Excitation中reduction值大小和激活函數(shù)選擇，原論文中也做了不同嘗試，可以查看原論文進(jìn)行了解。

將SE加載到ResNet中，結(jié)構(gòu)是相似的

這時需要考慮的要更多一些，例如SE block是加在ResNet哪個stage或者放在殘差單元的哪個位置，論文也對不同情況進(jìn)行了實驗，如下圖，將SE放在殘差單元不同位置的結(jié)構(gòu)

不同實驗的結(jié)果對比，參看原論文，不做介紹。

SE Block實現(xiàn)

根據(jù)結(jié)構(gòu)圖，使用pytorch可以快速完成SE模塊的搭建，代碼如下

class SELayer(nn.Module):def __init__(self, channel, reduction=16):super(SELayer, self).__init__()self.avg_pool = nn.AdaptiveAvgPool2d(1)self.fc = nn.Sequential(nn.Linear(channel, channel // reduction, bias=False),nn.ReLU(inplace=True),nn.Linear(channel // reduction, channel, bias=False),nn.Sigmoid())def forward(self, x):b, c, _, _ = x.size()y = self.avg_pool(x).view(b, c)y = self.fc(y).view(b, c, 1, 1)return x * y.expand_as(x)

總結(jié)

以上是生活随笔為你收集整理的轻量模型简介的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。