深度学习 ShuffleNet V2

 

这是shuffleNet的一个改进版本。论文分析了影响运行速度的几个因素，然后提出了一些指导原则。总的来说，这是一篇很不错的论文，值得学习。

现在很多模型的速度评估都是用FLOPs这个指标，但这个指标用来评价速度是不直接的。因为影响模型速度的因素不仅仅是FLOPs，内存访问操作所消耗的计算（memory access cost，MAC），以及平台因素。

对于MAC这种情况，有很多操作会有非常高的MAC。比如分组卷积，因此我们应该尽量少用分组卷积。另一个情况是，低并行性，如inception系列的多尺度卷积核。

对于平台因素，以GPU的张量分解来说。在一些论文里，提出了FLOPs减少75%的张量分解，理论上应该是加速了很多的。但是在GPU中却慢了很多。论文认为，这是因为CUDNN是针对3*3的卷积进行优化的，我们不能想当然的认为3*3卷积会比1*1卷积慢9倍。我们可以进一步看看不同平台，在不同操作上消耗的计算： 
 
在GPU上，不管是shuffleNet V1还是MobileNet V2卷积和其他的一些消耗MAC的操作所消耗的计算是差不多的。但是在ARM上卷积消耗的计算比MAC消耗的计算更多。

Practical Guidelines for Efficient Network Design

论文提出了一些提高速度的网络结构设计原则，这些原则主要是针对GPU和ARM硬件。另外，论文中的FLOPs只考虑卷积操作，其他的一些操作如data I/O，data shuffle，element-wise 操作（add，relu等）也会用来评估计算速度。接下来介绍一下具体的指导原则：

G1、使用相同的通道数来最小化MAC

现在有很多模型都会使用可分离卷积，在可分离卷积中，1*1卷积的计算量最大。我们研究了不同的输入通道和输出通道对速度的影响。

对于输入通道为c1c1，输出通道为c2c2，特征图大小为wh，1*1卷积的FLOPs，B=hwc1c2B=hwc1c2。为了简单起见，我们假设cache能够容纳所有的特征图和卷积核参数。这样我们可以计算出MAC=hw(c1+c2)+c1c2MAC=hw(c1+c2)+c1c2（访问内存的次数，因为特征图大小为hw，在计算1*1卷积过程中我们需要将将所有的输入特征图和卷积核载入cache一次，这样需要hwc1+c1c2hwc1+c1c2次访存；然后需要将计算结果返回到内存，需要hwc2hwc2次访存。），根据高中学过的不等式原理，可以得到： 

因此在给定FLOPs时MAC有一个下界，MAC等于这个下界的条件为输入通道和输出通道相等。

当然上面的结论是理想情况下的。在现实中很少有cache的大小能够非常大。为了验证上面的结论，论文设计了一个基准网络结构作为实验：由10个block构成，每个block包含两个卷积层，第一个的输入通道为c1c1，输出通道为c2c2，第二个卷积固定。 
 
上面的表，给出了实验结果。每一行表示，总的FLOPs相同，但是输入通道数和输出通道数不一样的计算速度。可以发现通道数相等的时候，速度最快。

G2、过多的分组卷积会增加MAC

在shuffleNet V1中大量的使用了分组卷积来降低FLOPs，但事实上却增加了MAC。分组卷积的MAC为： 
 
其中B=hwc1c2/gB=hwc1c2/g，g为组数。在输入大小c1∗h∗wc1∗h∗w和B固定的情况下，随着g的增加MAC也会增加，见下表。 

G3、网络分支会降低并行性

在inception系列中，大量使用了“多路”结构作为网络的基础block。很多小的操作集代替大的操作。比如在NASNET-A中的分支操作有13个，而ResNet只有2或者3个。 
尽管这样的分支能够提升精度，但是对像GPU这种高并行设备的并行性却很不友好。因为这引入了其他的操作，比如kernel的启动和同步。 
论文使用了1到4个1*1的卷积构造一个block，构造方法有串联和并行两种： 
 
对应的实验结果： 
 
在GPU上，4分支会比1分支慢3倍，但是在ARM中则差不多。

G4、Element-wise操作不可忽视

element-wise操作，比如ReLU，ADD，尽管他们的FLOPs都很小，但是MAC却很大。特别的，depthwise convolution也是一个高MAC/FLOPs率的element-wise操作（这就是为什么depthwise卷积很难达到理论上的加速）。 
论文利用ResNet中的block进行实验，对比了有ReLU和shortcut操作，和没有ReLU和shortcut操作的速度。结果显示去掉这两个操作后GPU和ARM上都有20%的速度提升。具体看表： 

总结与讨论

基于上面的那些指导和经验，论文认为一个高效的网络结构应该包含一下几个要点： 
1、使用平衡的卷积，即通道数一样 
2、意识到分组卷积所带来的计算消耗 
3、减少网络分支 
4、减少element-wise操作

在shuffleNet V1中使用了大量的分组卷积，这违反了G2；bottleneck-like的block，这违反了G1。在mobileNet V2中使用了inverted bottleneck，这违反了G1；在稠密的特征图上使用了depthwise卷积和ReLU，这违反了G4。而在自动生成的网络中，其分支数太高，这违反了G3。

ShuffleNet V2

论文为了达到上面的高效网络结构设计原则。使用了一个叫channel split操作，该操作很简单。如下图所示： 
 
图中的（a）和（b）都是shuffleNet V1里面的block。（c），（d）则为shuffleNet V2的block。在（c）中我们可以看到channel split操作，该操作将输入通道为c的特征图分为个分支，每个分支分别有c−c′c−c′和c′c′（在论文中为c/2）个通道的特征图。在（c）中，利用channel split分出两个分支后（满足G3），左边的分支不做任何操作，右边的分支包含了3个卷积操作，并且其通道数都一样（满足G1）。相比shuffleNet V1两个1*1卷积不再是分组卷积（channe split已经进行了通道分组了），这满足了G2。 
两个分支用concat操作进行合并，这样使得block的输入通道数和输出通道数一样，这满足了G1。合并后，紧接这使用了channel shuffle操作。

需要注意的是，这样的block，已经没有了shuffleNet V1中的Add和ReLU操作了。同时depthwise卷积只在一个分支里面。并且concat，channe shuffle以及channel split这三个element-wise操作，可以合并到一个单独的element-wise操作，这满足了G4。

由于（d）中没有了channel split，因此该block的输出通道是输入通道的两倍。

整个shuffleNet V2结构如下： 

实验结果

论文做了不少实验，并进行了讨论。我们只看看最终的实验比较。从下表，可以看出shuffleNet V2在ARM平台上都是最快的。在GPU上还是mobileNet V1快一些。