SqueezeNet
Fire Module: Squeeze and Expand
- SqueezeNet 的主要模块为 Fire Module，它主要从网络结构优化的角度出发，使用了如下 3 点策略来减少网络参数，提升网络性能：
- (1)使用
- (2)利用
- (3)在减少通道数之后，使用多个尺寸的卷积核进行计算，以保留更多的信息，提升分类的准确率
均代表卷积层输出的通道数，Fire Module 默认
import torch
from torch import nn
class Fire(nn.Module):
def __init__(self, inplanes, squeeze_planes, expand_planes):
# 不改变输入特征图的宽高，只改变通道数
# 输入通道数为 inplanes，压缩通道数为 squeeze_planes，输出通道数为 2 * expand_planes
super(Fire, self).__init__()
# Squeeze 层
self.conv1 = nn.Conv2d(inplanes, squeeze_planes, kernel_size=1, stride=1)
self.bn1 = nn.BatchNorm2d(squeeze_planes)
self.relu1 = nn.ReLU(inplace=True)
# Expand 层
self.conv2 = nn.Conv2d(squeeze_planes, expand_planes, kernel_size=1, stride=1)
self.bn2 = nn.BatchNorm2d(expand_planes)
self.conv3 = nn.Conv2d(squeeze_planes, expand_planes, kernel_size=3, stride=1, padding=1)
self.bn3 = nn.BatchNorm2d(expand_planes)
self.relu2 = nn.ReLU(inplace=True)
def forward(self, x):
x = self.conv1(x)
x = self.bn1(x)
x = self.relu1(x)
out1 = self.conv2(x)
out1 = self.bn2(out1)
out2 = self.conv3(x)
out2 = self.bn3(out2)
out = torch.cat([out1, out2], 1)
out = self.relu2(out)
return out
SqueezeNet
- 输入图像首先送入 Conv 1，得到通道数为 96 的特征图，然后依次使用 8 个 Fire Module，中间还有两个步长为 2 的最大池化层，通道数也逐渐增加。最后一个卷积为 Conv 10，输出通道数为
SqueezeNet 总结
- SqueezeNet 是一个精心设计的轻量化网络，其性能与 AlexNet 相近，而模型参数仅有AlexNet的
- 基于其轻量化的特性，SqueezeNet 可以广泛地应用到移动端，促进了物体检测技术在移动端的部署与应用
MobileNet
深度可分离卷积 (Depthwise Separable Convolution)
- SqueezeNet 虽在一定程度上减少了卷积计算量，但仍然使用传统的卷积计算方式，而在其后的 MobileNet 利用了更为高效的深度可分离卷积的方式，进一步加速了卷积网络在移动端的应用
标准卷积
- 假设当前特征图大小为
深度可分离卷积
- depthwise separable convolution 将空间信息的融合和通道信息的融合分开，将卷积过程分为两步：逐通道卷积（融合空间信息）和逐点
- (1)逐通道卷积: 对于一个通道的输入特征
- (2)逐点
- 结合以上两步，我们可以得到depthwise separable convolution 和standard convolution 的计算量之比：
MobileNet v1
深度可分离卷积模块
- 值得注意的是，在此使用了 ReLU6 来替代原始的 ReLU 激活函数，将 ReLU 的最大输出限制在 6 以下。这主要是为了满足移动端部署的需求。移动端通常使用 Float16 或者 Int8 等较低精度的模型，如果不对激活函数的输出进行限制的话，激活值的分布范围会很大，而低精度的模型很难精确地覆盖如此大范围的输出，这样会带来精度损失
MobileNet v1 整体结构
代表逐通道卷积 (深度分解卷积)，其后需要跟一个 卷积； 代表步长为 2 的卷积，用于缩小特征图尺寸，起到与 Pooling 层一样的作用
from torch import nn
class MobileNet(nn.Module):
def __init__(self):
super(MobileNet, self).__init__()
# 3 x 3 standard convolution
def conv_bn(dim_in, dim_out, stride):
return nn.Sequential(
nn.Conv2d(dim_in, dim_out, 3, stride, 1, bias=False),
nn.BatchNorm2d(dim_out),
nn.ReLU(inplace=True)
)
# depthwise separable convolution
def conv_dw(dim_in, dim_out, stride):
return nn.Sequential(
# use group convolution in PyTorch to implement channel-wise convolution
nn.Conv2d(dim_in, dim_in, 3, stride, 1, groups=dim_in, bias=False),
nn.BatchNorm2d(dim_in),
nn.ReLU(inplace=True),
nn.Conv2d(dim_in, dim_out, 1, 1, 0, bias=False),
nn.BatchNorm2d(dim_out),
nn.ReLU(inplace=True),
)
self.model = nn.Sequential(
# input: 3 x 224 x 224
conv_bn( 3, 32, 2), # 32 x 112 x 112
conv_dw( 32, 64, 1), # 64 x 112 x 112
conv_dw( 64, 128, 2), # 128 x 56 x 56
conv_dw(128, 128, 1), # 128 x 56 x 56
conv_dw(128, 256, 2), # 256 x 28 x 28
conv_dw(256, 256, 1), # 256 x 28 x 28
conv_dw(256, 512, 2), # 512 x 14 x 14
conv_dw(512, 512, 1), # 512 x 14 x 14
conv_dw(512, 512, 1), # 512 x 14 x 14
conv_dw(512, 512, 1), # 512 x 14 x 14
conv_dw(512, 512, 1), # 512 x 14 x 14
conv_dw(512, 512, 1), # 512 x 14 x 14
conv_dw(512, 1024, 2), # 1024 x 7 x 7
conv_dw(1024, 1024, 1), # 1024 x 7 x 7
nn.AvgPool2d(7), # 1024 x 1 x 1
)
self.fc = nn.Linear(1024, 1000)
def forward(self, x):
x = self.model(x)
x = x.view(-1, 1024)
x = self.fc(x)
return x
MobileNet v1 总结
- 总体上，MobileNet v1 利用深度可分离的结构牺牲了较小的精度，带来了计算量与网络层参数的大幅降低，从而也减小了模型的大小，方便应用于移动端
- 但 MobileNet v1 也有其自身结构带来的缺陷，主要有以下两点：
- (1) 模型结构较为复古，采用了与 VGGNet 类似的卷积简单堆叠，没有采用残差、特征融合等先进的结构
- (2)深度分解卷积 (i.e. 逐通道卷积) 中各通道相互独立，卷积核维度较小，输出特征中只有较少的输入特征，再加上 ReLU 激活函数，使得输出很容易变为 0，难以恢复正常训练，因此在训练时部分卷积核容易被训练废掉
MobileNet v2
Inverted Residual Block
- MobileNet v2 利用残差结构取代了原始的卷积堆叠方式，提出了 Inverted Residual Block 。在标准的 ResNet中，由于
- 依据卷积的步长，该结构可分为两种情形，在步长为 1 时使用了残差连接，融合的方式为逐元素相加；而步长为 2 时不使用残差连接
去掉 ReLU6
- 深度可分离卷积得到的特征对应于低维空间，特征较少，如果后续接线性映射则能够保留大部分特征，而如果接非线性映射如 ReLU，则会破坏特征，造成特征的损耗，从而使得模型效果变差。针对此问题，MobileNet v2 直接去掉了每一个 Block 中最后的 ReLU6 层，减少了特征的损耗，获得了更好的检测效果
import torch.nn as nn
import math
# 标准 3 x 3 卷积
def conv_bn(inp, oup, stride):
return nn.Sequential(
nn.Conv2d(inp, oup, 3, stride, 1, bias=False),
nn.BatchNorm2d(oup),
nn.ReLU6(inplace=True)
)
# 标准 1 x 1 卷积
def conv_1x1_bn(inp, oup):
return nn.Sequential(
nn.Conv2d(inp, oup, 1, 1, 0, bias=False),
nn.BatchNorm2d(oup),
nn.ReLU6(inplace=True)
)
class InvertedResidual(nn.Module):
def __init__(self, inp, oup, stride, expand_ratio):
super(InvertedResidual, self).__init__()
self.stride = stride
assert stride in [1, 2]
hidden_dim = round(inp * expand_ratio) # 中间扩展层的通道数
self.use_res_connect = self.stride == 1 and inp == oup
if expand_ratio == 1:
# 不进行升维
self.conv = nn.Sequential(
# dw (逐通道卷积)
nn.Conv2d(hidden_dim, hidden_dim, 3, stride, 1, groups=hidden_dim, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.ReLU6(inplace=True),
# pw-linear (降维)
nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
nn.BatchNorm2d(oup),
)
else:
self.conv = nn.Sequential(
# pw (升维)
nn.Conv2d(inp, hidden_dim, 1, 1, 0, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.ReLU6(inplace=True),
# dw (逐通道卷积)
nn.Conv2d(hidden_dim, hidden_dim, 3, stride, 1, groups=hidden_dim, bias=False),
nn.BatchNorm2d(hidden_dim),
nn.ReLU6(inplace=True),
# pw-linear (降维)
nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
nn.BatchNorm2d(oup),
)
def forward(self, x):
if self.use_res_connect:
return x + self.conv(x)
else:
return self.conv(x)
class MobileNetV2(nn.Module):
def __init__(self, n_class=1000, input_size=224, width_mult=1.):
super(MobileNetV2, self).__init__()
block = InvertedResidual
input_channel = 32
last_channel = 1280
interverted_residual_setting = [
# t, c, n, s
[1, 16, 1, 1],
[6, 24, 2, 2],
[6, 32, 3, 2],
[6, 64, 4, 2],
[6, 96, 3, 1],
[6, 160, 3, 2],
[6, 320, 1, 1],
]
# building first layer
assert input_size % 32 == 0
input_channel = int(input_channel * width_mult)
self.last_channel = int(last_channel * width_mult) if width_mult > 1.0 else last_channel
self.features = [conv_bn(3, input_channel, 2)]
# building inverted residual blocks
for t, c, n, s in interverted_residual_setting:
output_channel = int(c * width_mult)
for i in range(n):
if i == 0:
self.features.append(block(input_channel, output_channel, s, expand_ratio=t))
else:
self.features.append(block(input_channel, output_channel, 1, expand_ratio=t))
input_channel = output_channel
# building last several layers
self.features.append(conv_1x1_bn(input_channel, self.last_channel))
# make it nn.Sequential
self.features = nn.Sequential(*self.features)
# building classifier
self.classifier = nn.Sequential(
nn.Dropout(0.2),
nn.Linear(self.last_channel, n_class),
)
self._initialize_weights()
def forward(self, x):
x = self.features(x)
x = x.mean(3).mean(2)
x = self.classifier(x)
return x
def _initialize_weights(self):
for m in self.modules():
if isinstance(m, nn.Conv2d):
n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
m.weight.data.normal_(0, math.sqrt(2. / n))
if m.bias is not None:
m.bias.data.zero_()
elif isinstance(m, nn.BatchNorm2d):
m.weight.data.fill_(1)
m.bias.data.zero_()
elif isinstance(m, nn.Linear):
n = m.weight.size(1)
m.weight.data.normal_(0, 0.01)
m.bias.data.zero_()
ShuffleNet
频道洗牌
- 目前先进的轻量级网络大多使用depthwise separable convolution或者group convolution来降低网络的计算量，但是这两种操作都不能改变特征的通道数，所以也需要使用
- 为了进一步降低计算量， ShuffleNet 提出了通道混洗来完成通道之间信息的融合：
图
- 通道混洗可以通过几个常规的张量操作巧妙地实现。这里对输入通道做了 1~12 的编号，一共包含 3 个组，每个组包含 4 个通道：
def channel_shuffle(x, groups):
batchsize, num_channels, height, width = x.data.size()
channels_per_group = num_channels // groups
# Reshape
x = x.view(batchsize, groups, channels_per_group, height, width)
# Transpose
x = torch.transpose(x, 1, 2).contiguous()
# Flatten
x = x.view(batchsize, -1, height, width)
return x
ShuffleNet v1
- ShuffleNet v1 code : https://github.com/jaxony/ShuffleNet
ShuffleNet v1 基本结构单元
ShuffleNet v1 网络整体结构
- 深度可分离卷积虽然可以有效降低计算量，但其存储访问效率较差，因此 ShuffleNet只在 Stage 2, 3, 4 内使用了其特殊的基本单元，这 3 个阶段的第一个 Block 的步长为 2 以完成降采样，下一个阶段的通道数是上一个的两倍
ShuffleNet v2
- paper : ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design
建立高性能网络的 4 个基本规则
- 原有的一些轻量化方法在衡量模型性能时，通常使用浮点运算量 FLOPs (Floating Point Operations) 作为主要指标，其中 FLOPs 是指模型在进行一次前向传播时所需的浮点计算次数。然而，ShuffleNet v2 的作者通过一系列实验发现仅仅将 FLOPs 作为评判模型复杂度的指标是有问题的，FLOPs 近似的网络会存在不同的速度，还有另外两个重要的指标：内存访问时间 (Memory Access Cost，MAC) 与网络的并行度
- 以此作为出发点，ShuffleNet v2 做了大量的实验，分析影响网络运行速度的原因，提出了建立高性能网络的 4 个基本规则：
- (1)卷积层的输入特征与输出特征通道数相等时，MAC 最小，此时模型速度最快：轻量化网络常采用深度可分离卷积，其中
- (2)过多的组卷积会增加 MAC，导致模型的速度变慢：组卷积能在相同 FLOPs 的条件下输出更多通道数，但更多的通道数就意味着会增大 MAC。设组数为
- (3)网络的碎片化会降低可并行度，这表明模型中分支数量越少，模型速度会越快
- (4)逐元素 (Element Wise) 操作虽然 FLOPs 值较低，但其 MAC 较高，因此也应当尽可能减少逐元素操作(逐元素操作包括 ReLU, AddTensor, AddBias…)。
ShuffleNet v1 的问题
以上述 4 个规则为基础，可以看出ShuffleNet v1 有 3 点违反了此规则：
- (1) 在 Bottleneck 中使用了
- (2) 整体网络中使用了大量的组卷积，造成了太多的分组，违背了规则 3
- (3) 网络中存在大量的逐点相加操作，违背了规则 4
ShuffleNet v2
- 如上图所示，(a) (b) 为 v1 的基础结构，(
- 基于此基本单元，ShuffleNet v2 的整体结构如下表所示。与 ShuffleNet v1 相比，ShuffleNet v2在全局平均池化之前增加了一个
参考
- 《深度学习之 PyTorch 物体检测实战》
文章出处登录后可见！
已经登录？立即刷新