pytorch实现卷积层和BN层融合

批归一化

数据的规范化也即pytorch实现卷积层和BN层融合 可以将数据的不同特征规范到均值为0,方差相同的标准正态分布,这就可以避免大数造成得数据溢出。可以使网络以更高得学习率更快得收敛。
如果仅仅对输入的图片进行归一化,后面其余网络层的输出不进行相关操作,那么随着网络深度得增加,数据得分布会逐渐偏离标准正态分布,由于梯度得反向传播是不同层得梯度不断相乘得结果,数据过小或过大容易造成梯度消失或梯度爆炸。
为了解决上述问题,有人提出了对网络层的中间输出进行规范化得方法,也就是批规范化(Batch Normalization),对某个网络层的批规范化,通常是在加权和与激活函数运算之间进行的。也就是:
pytorch实现卷积层和BN层融合 但是如果将pytorch实现卷积层和BN层融合 规范到pytorch实现卷积层和BN层融合 的标准正态分布,那么无论前面的网络如何变化,经过这个这个层后都将服从标准正态分布,批规范化引入了可学习的参数pytorch实现卷积层和BN层融合 ,将规范到pytorch实现卷积层和BN层融合 的标准正态分布变换到pytorch实现卷积层和BN层融合 由于pytorch实现卷积层和BN层融合 是可学习的,所以就避免了模型能力降低的问题:
pytorch实现卷积层和BN层融合其中pytorch实现卷积层和BN层融合

BN和卷积层融合

在图像处理过程中,BN经常用于卷积之后,可以考虑将两个融合在在一起 ,简单点就是将是合二为一(融合层通常用测试阶段)。那么合二为一新的网络层的网络权重和偏置该怎么初始化呢?根据卷积层和BN层的相关参数进行计算得到新的权重和偏置,公式入下:pytorch实现卷积层和BN层融合
简化公式结构为pytorch实现卷积层和BN层融合.
pytorch实现卷积层和BN层融合 其中pytorch实现卷积层和BN层融合为卷积层的权重和偏置,pytorch实现卷积层和BN层融合pytorch实现卷积层和BN层融合层的权重、偏置、pytorch实现卷积层和BN层融合对应的参数

pytorch代码

pytorch 中 Conv2 和 BN 层中参数的的具体意义
pytorch参数详解

import torch
def fuse_conv_and_bn(conv, bn):
	# 初始化
	fusedconv = torch.nn.Conv2d(
		conv.in_channels,
		conv.out_channels,
		kernel_size=conv.kernel_size,
		stride=conv.stride,
		padding=conv.padding,
		bias=True
	)
	w_conv = conv.weight.clone().view(conv.out_channels, -1)
	w_bn = torch.diag(bn.weight.div(torch.sqrt(bn.eps+bn.running_var)))
	# 融合层的权重初始化(W_bn*w_conv(卷积的权重))
	fusedconv.weight.copy_( torch.mm(w_bn, w_conv).view(fusedconv.weight.size()) )

	if conv.bias is not None:
		b_conv = conv.bias
	else:
		b_conv = torch.zeros( conv.weight.size(0) )
	b_bn = bn.bias - bn.weight.mul(bn.running_mean).div(torch.sqrt(bn.running_var + bn.eps))
	# 融合层偏差的设置
	fusedconv.bias.copy_( torch.matmul(w_bn, b_conv) + b_bn )

	return fusedconv

那么,融合层计算出来的结果和分层计算出来的结果有多大差距呢??从下面代码可以看到用人家预训练好的相关参数进行融合,融合层和分层计算得出的结果所差无几嘛。

import torchvision
torch.set_grad_enabled(False)
x = torch.randn(32, 3, 256, 256)   # batch,channel,w,h
rn18 = torchvision.models.resnet18(pretrained=True)
rn18.eval()
net = torch.nn.Sequential(
    rn18.conv1,
    rn18.bn1
)
y1 = net.forward(x)
fusedconv = fuse_conv_and_bn(net[0], net[1])
y2 = fusedconv.forward(x)
# torch.norm()是求范数,没有指定维度则是对所有元素求二范数
d = (y1 - y2).norm().div(y1.norm()).item()
print("error: %.8f" % d)

>>>error: 0.00000022

那么问题又出来了,既然所查无几,为什么要费劲的去融合他呢,那我们再想想深度网络运行时间是不是我们担心的问题呢,走起,去验证一下时间上有无改进吧。
这里就假设一次输入32张图片,测试了300次。可以看出,在速度提升上还是蛮大的。

def cal_time(fun):
    def inner(*args,**kwargs):
        t1 = time.time()
        fun(*args,**kwargs)
        t2 = time.time()
        print(f"运行时间:{t2-t1}")    
    return inner

@cal_time
def main(net,x):
    for i in tqdm(range(300)): # 假设一次输入32张图片,测试了300次。
        y = net.forward(x)
        
main(net,x)
main(fusedconv,x)

>>>93.39383339
>>>69.93862175

那么事在训练的时候融合还是测试的时候融合呢,那肯定是用在测试阶段,前面说过融合层的权重和偏置要根据训练好的卷积、BN层的参数确定。这样测试阶段使用融合后的网络进行推理就可以加快推理速度。对于有些实时检测场所,速度越快岂不是更好。
参考链接: Fusing batch normalization and convolution in runtime
小白一枚,如果有问题,希望大家提出来。谢谢。

文章出处登录后可见!

已经登录?立即刷新

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
上一篇 2022年5月21日 下午1:55
下一篇 2022年5月21日 下午2:00

相关推荐

本站注重文章个人版权,不会主动收集付费或者带有商业版权的文章,如果出现侵权情况只可能是作者后期更改了版权声明,如果出现这种情况请主动联系我们,我们看到会在第一时间删除!本站专注于人工智能高质量优质文章收集,方便各位学者快速找到学习资源,本站收集的文章都会附上文章出处,如果不愿意分享到本平台,我们会第一时间删除!