论文分享 | 轻量级网络之mobilenet v1

卷积神经网络广泛应用在各种任务，比如图像分类、目标检测等，性能也越来越好，但都趋向于使用更深更复杂的结构来提升性能而不太关注计算代价，使得将这些模型直接部署在移动设备困难重重。本文针对传统卷积计算量大的缺点，对传统卷积模块进行了改进，该结构更高效，为在移动设备上部署带来了可能。

Roofline Model

在介绍具体的原理之前，我们先来与模型计算性能相关的几个概念： 

（1）计算量：对于给定大小的输入，模型进行一次预测（前向传播）需要的浮点运算次数，其单位为 FLOP ；

（2）访存量：对于给定大小的输入，模型进行一次预测（前向传播）发生的内存交换量，其单位为 Byte ；

（3）计算强度：计算量与访存量的比值，单位为 FLOP/Byte；

衡量一个设备的性能需要考虑很多因素，这里我们仅考虑两个重要因素：带宽和算力，有一个经典模型Roofline Model 刻画了两者的关系：

上图中横轴I为计算强度，纵轴P表示理论性能，可以看出，随着计算强度的增加，理论性能先增加然后保持不变，拐点称为最大计算强度，由设备的算力和带宽共同决定，当计算强度小于最大计算强度时，称为存储受限，即此时性能受限于存储器；当计算强度大于最大计算强度时，称为计算受限，即此时性能受限于计算能力。后面将给出本文的结构与一些经典结构的对比。

原理 

mobilenet的核心思想是将传统卷积分解为深度可分离卷积与1 * 1 的卷积。深度可分离卷积是指输入特征图的每个channel都对应一个卷积核，这样输出的特征的每个channel只与输入特征图对应的channel相关。这种卷积操作能够显著降低模型大小和计算量。示意图如下：

对于一个大小为3 * 3 的卷积核，计算量降低了约7 ~ 9 倍。

下面来看一下整体的网络结构，网络结构比较简单直观，与VGG类似，都采用逐层堆叠式。

另外该模型还可以引入两个额外的参数来分别控制特征图的channel数和输入的分辨率，从而得到更高效的模型，可以在速度和精度的权衡下选择合适的模型。

实验结果：

1. 传统卷积结构与深度可分离的结构性能对比，可以看出深度可分离的结构牺牲了很小的性能，带来了计算量和参数量的大幅降低。

2. 在原始结构的基础上，对特征图的channel数量进行不同比例的压缩，可以根据实际需求选择合适的结构。

3. 不同模型计算量、访存量、计算强度的比较

欢迎关注微信公众号：geetest_jy   获取更多关于GCN、DL的知识

论文链接： MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications