YOLO_v4技巧分解-Cross-Iteration Batch Normalization

对msra的工作都比较关注，最近刚好看到了这篇对传统bn进行改进的论文。

论文地址：https://arxiv.org/abs/2002.05712
github地址：https://github.com/Howal/Cross-iterationBatchNorm
openreview：https://openreview.net/forum?id=BylJUTEKvB

作者应该是投ICLR杯具了，不过个人觉得比较值得少花些时间读一读。

论文开门见山的指出 batchsize的大小直接影响了BN的效果，见图1中的绿色线，batchsize在小于16后的分类准确率急剧下降。作者在本文提出了一种叫做cross-iteration BN的方法，通过泰勒多项式去估计几个连续batch的统计参数，可以很大程度缓解此问题，如图1中的蓝色线，在batchsize逐渐变小时，效果依然稳定，并且accuracy始终高于GN的效果。

（论文必备图，一图告诉你我有多nb）

1. Revisiting Batch Normalization

从实现的角度来说，BN对特征进行了一种白化操作，可以减少internal covariate shift，具体的可以查看原文。


这里作为对比可以回忆下几种比较常见的归一化方法
BatchNormalization，LayerNormization，InstanceNormalization，GroupNormalization
GN的paper中给了一张骨灰级清楚明了的图～

BN的计算中，一个channel就是一个特征N，H，W三个维度进行相关统计参数的计算，pytorch代码如下，其他几种归一化方法只要在BN代码中稍加修改即可。（注意四个参数的维度）

import torch
from torch import nn


class BatchNorm(nn.Module):
    '''custom implement batch normalization with autograd by Antinomy
    '''

    def __init__(self, num_features):
        super(BatchNorm, self).__init__()
        # auxiliary parameters
        self.num_features = num_features
        self.eps = 1e-5
        self.momentum = 0.1
        # hyper paramaters
        self.gamma = nn.Parameter(torch.Tensor(self.num_features), requires_grad=True)
        self.beta = nn.Parameter(torch.Tensor(self.num_features), requires_grad=True)      
        # moving_averge
        self.moving_mean = torch.zeros(self.num_features)
        self.moving_var = torch.ones(self.num_features)
        self.reset_parameters()

    def reset_parameters(self):
        nn.init.uniform_(self.gamma)
        nn.init.zeros_(self.beta)
        nn.init.ones_(self.moving_var)
        nn.init.zeros_(self.moving_mean)

    def forward(self, X):
        assert len(X.shape) in (2, 4)
        if X.device.type != 'cpu':
            self.moving_mean = self.moving_mean.cuda()
            self.moving_var = self.moving_var.cuda()
        Y, self.moving_mean, self.moving_var = batch_norm(X, self.gamma, self.beta,
                                         self.moving_mean, self.moving_var,
                                         self.training, self.eps, self.momentum)
        return Y


def batch_norm(X, gamma, beta, moving_mean, moving_var, is_training=True, eps=1e-5, momentum=0.9,):

    if len(X.shape) == 2:
        mu = torch.mean(X, dim=0)
        var = torch.mean((X - mu) ** 2, dim=0)
        if is_training:
            X_hat = (X - mu) / torch.sqrt(var + eps)
            moving_mean = momentum * moving_mean + (1.0 - momentum) * mu
            moving_var = momentum * moving_var + (1.0 - momentum) * var
        else:
            X_hat = (X - moving_mean) / torch.sqrt(moving_var + eps)
        out = gamma * X_hat + beta

    elif len(X.shape) == 4:
        shape_2d = (1, X.shape[1], 1, 1)
        mu = torch.mean(X, dim=(0, 2, 3)).view(shape_2d)
        var = torch.mean(
            (X - mu) ** 2, dim=(0, 2, 3)).view(shape_2d) # biased
        X_hat = (X - mu) / torch.sqrt(var + eps)
        if is_training:
            X_hat = (X - mu) / torch.sqrt(var + eps)
            moving_mean = momentum * moving_mean.view(shape_2d) + (1.0 - momentum) * mu
            moving_var = momentum * moving_var.view(shape_2d) + (1.0 - momentum) * var
        else:
            X_hat = (X - moving_mean.view(shape_2d)) / torch.sqrt(moving_var.view(shape_2d) + eps)

        out = gamma.view(shape_2d) * X_hat + beta.view(shape_2d)

    return out, moving_mean, moving_var

2. Leveraging Statistics from Previous Iterations

既然导致BN效果差的原因是batch太小了，最直白的想法当然是通过扩大用来计算统计信息的样本量解决问题。SyncBN(李沐老师的介绍)就是这个原理，将多张卡上的样本同步计算，一般来讲batchsize大小超过16 后，bn效果基本不会收到影响。这种方法的缺点就是需要不同卡上的数据进行同步以及devices间的数据传递。
本文中的CBN换了一个思路，通过计算几个相近的batch的近似统计参数来解决该问题。

首先作者指出：由于梯度下降机制，模型训练的过程中相近的几个iter所对应的模型参数的变化是平滑的（smoothly）。
假设当前iter index为$t$,那么$t-\tau$中的统计量在$t$时的近似量可以见公式5,6：

其中 $\theta$代表模型的参数，$t$标示计算的是第几个iter，也就是算的batch的idx，$\mu$、$\nu$就是BN中的两个统计量。这里其实是$f({\theta }_t)$在$\theta -{\theta }_{t-tau}$处泰勒多项式展开，其中**$O(||{\theta }_t-{\theta }_{t-\tau }|{|}^2)$**是$||{\theta }_t-{\theta }_{t-\tau }||$的二阶无穷小量。在实际的计算时会将高阶无穷小量忽略掉。

在公式5,6中，需要计算$\frac{\partial {\mu }_{t-\tau }({\theta }_{t-\tau })}{\partial {\theta }_{t-\tau }}$、$\frac{\partial {\nu }_{t-\tau }({\theta }_{t-\tau })}{\partial {\theta }_{t-\tau }}$,加入我们要计算第$l$层bn的这两个参数，那么在$l$层之前的所有参数其实都要进行计算，这样子计算量就有些太大了，原文说:

Only when $r=l$ can these gradients be derived in closed form efficiently.

作者在这里又发现：随着layer index $r$ 的变小$(r\le l)$,$\frac{\partial {\mu }_t^l}{\partial {\theta }_t^r}$、$\frac{\partial {\nu }_t^l}{\partial {\theta }_t^r}$迅速降低，如下图反映了倒数三层的梯度比例：
也就是说针对公式5,6我们只要算出统计量对应其所在的层的网络参数的梯度就可以了，这一步简化是非常重要的。

到这里，我们已经计算除了iter $t-\tau$在第$t$个iter是参数下的统计量近似。论文中给出了一张图

有了上面的近似结果，我们来看一下CBN是如何来进行Normalize的。同上面bn的代码所示，我们怎么去计算CBN相关的统计量，以及执行前向操作。

• 对于均值，只需要去计算iter$[t-\tau ,t]$的平均数。
• ${\overline{\nu }}_{t,k}^l({\theta }_t)$定义为${\nu }_{t-\tau }^l({\theta }_t)$与${\mu }_{t-\tau }^l(\theta {)}^2$中的最大值，再将这个值针对k个iter求平均。文中说这样子才能让${\overline{\nu }}_{t,k}^l({\theta }_t)$有意义的统计信息。

现在我们已经有了归一化所需要的所有的统计数据，针对第$l$层的特征$x_{t-i}^l({\theta }_t)$,他的归一化特征为：

$${\hat{x}}_{t,i}^l({\theta }_t)=\frac{x_{t,i}^l({\theta }_t)-{\overline{\mu }}_{t,k}^l({\theta }_t)}{\sqrt{{\overline{\sigma }}_{t,k}^l({\theta }_t{)}^2+\epsilon }}$$

可以看出归一化过程与原始bn算法是一致的。也就是，在做inference过程时，CBN与BN的计算完全相同，所以CBN不增加前向时间
这里值得关注的一个问题，相比于BN，CBN的计算量和memory多用了多少，从上面的分析可以看出，多出来的计算都是在求偏导的那一步，而memory主要是在偏导以及前几个iter的$\mu .\nu ,\theta$等几个量的存储与访问。论文指出这些相对于网络本身的计算量与memory占用来比都是微乎其微的。
超参数方面，CBN多了一个window size，实验中作者设定为8。并且需要在网络训练初期要用较小的窗大小，随着网络的训练，模型参数也会越来约稳定，这是后再用较大的窗大小可以获得更好的结果。具体细节见论文。

3. Experiment

1. Comparison of feature normalization methods

在imagenet数据bs=32时，对不同的normalize 方式进行对比，可见在大bs的setting下，CBN是唯一一个能够与BN效果一致的归一化方法。

2. Sensitivity to batch size

结论：BN与BRN随着bs减小效果下降明显，GN和CBN相对而言在较小的bs下依然可以保持较高的准确率，但CBN的top1 acc 比GN高出0.9%.同时在bs=1时候GN和CBN依然可以进行训练，这是openreview中reviewer比较关心的一个问题，也能看出GN真的还是比较nb的。

3. Detection and Segmentation

这一部分中作者将backbone和box head 分开进行实验，感觉主要原因是为了方便加载预训练模型，固定backbone的bn不需要在imagenet上重新训练，项目中应用起来会更方便。

1. 在固定backbone部分的BN部分时，box head 选择不同的normalize方式，可以看到CBN能够获得与GN，syncBN类似的结果，同时结果要明显好于BN。
2. 在backbone和boxhead 都进行normalize的替换后，CBN的结果会明显好于BN但是会比GN和syncBN结果差一些，作者认为是accumulation of approximation error(估计误差累积)造成的。

在论文的最后，作者给出了求两个统计量相对于对应层参数的高效计算方式，大致的思路时计算统计量的第j个维度梯度只跟第j个特征图相关，这里可以省去很大的一部分计算量，完全弄明白后再写这一段。

4. Conclusion

针对BN在small batchsize regime这个问题作者提出了利用相邻iter的样本的方式来提高统计参数的准确性，进而提升模型的效果。针对这个问题LN，IN，GN是通过修改BN中用来计算参数的维度来解决这个问题，同时GN取得了不错的效果；
syncBN是通过将多个GPU上的数据共同利用来扩大batchsize解决该问题。CBN属于利用不同的iter数据来变相扩大batchsize从而改进模型的效果。理论分析清楚明了，实验充分，方法在small batchsize regime这个问题上确实有效。

回过头，我们发现SyncBN效果在各个问题上效果都很好，同时不会引入超参数，不同的深度学习框架也有相应支持。本文相对于SyncBN的优势在哪里？或者是说在什么问题上syncBN不能够使用来突出CBN的必要性。