经典网络结构 (八)：轻量化网络 (SqueezeNet, MobileNet, ShuffleNet)

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 $1\times 1$ 卷积来替代部分的 $3\times 3$ 卷积，可以将参数减少为原来的 $1/9$，同时减少输入通道的数量
  • (2) 利用 $1\times 1$ 卷积来减少输入通道的数量
  • (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

$S_1,e_2,e_2$ 均代表卷积层输出的通道数，Fire Module 默认 $e_1=e_2=4\times S_1$

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 $N$ 的特征图 ($N$ 代表类别数)，经过全局池化层后送入 Softmax
  

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 $1/50$。使用常见的模型压缩技术，如 SVD、剪枝和量化等，可以进一步压缩该模型的大小。例如，使用 Deep Compresion 技术对其进行压缩时，在几乎不损失性能的前提下，模型大小可以压缩到 0.5MB
• 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 $C_i\times H\times W$，需要输出的特征图大小为 $C_o\times H\times W$，卷积核大小为 $3\times 3$，Padding 为 1，那么总的计算量为
  $$F_s=C_o\times H\times W\times C_i\times 3\times 3$$输出特征图上的每一个点都同时融合了空间信息和通道信息

---

深度可分离卷积

• 深度可分离卷积将空间信息的融合和通道信息的融合分离开，将卷积的过程分为逐通道卷积 (融合空间信息) 与逐点 $1\times 1$ 卷积 (融合通道信息) 两步，大大降低了计算量
• (1) 逐通道卷积: 对于一个通道的输入特征 $H\times W$，利用一个 $3\times 3$ 卷积核进行点乘求和，得到一个通道的输出 $H\times W$。然后，对于所有的输入通道 $C_i$，使用 $C_i$ 个 $3\times 3$ 卷积核即可得到 $C_i\times H\times W$ 大小的输出
  逐通道卷积的卷积核参数量为 $C_i\times 3\times 3$，远少于标准卷积 $C_i\times 3\times 3\times C_o$ 的数量。同时通道之间相互独立，没有各通道间的特征融合，总计算量为：
  $$F_d=C_i\times H\times W\times 3\times 3$$
• (2) 逐点 $1\times 1$ 卷积: 逐点 $1\times 1$ 卷积就是用 $1\times 1$ 卷积层融合不同通道间的特征，同时也可以改变特征图的通道。由于这里 $1\times 1$ 卷积的输入特征图大小为 $C_i\times H\times W$，输出特征图大小为 $C_o\times H\times W$，因此这一步的总计算量为：
  $$F_1=C_o\times H\times W\times C_i\times 1\times 1$$
• 综合上述两步，可以得到深度可分离卷积与标准卷积的计算量之比：
  $$r=\frac{F_d+F_1}{F_s}=\frac{1}{C_o}+\frac{1}{9}\approx \frac{1}{9}$$可以看到，深度可分离卷积总体计算量约等于标准卷积的 $1/9$，极大地减少了卷积过程的计算量

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

$D_w$ 代表逐通道卷积 (深度分解卷积)，其后需要跟一个 $1\times 1$ 卷积；$s_2$ 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 $3\times 3$ 卷积处的计算量较大，因此通常先使用 $1\times 1$ 卷积进行特征降维，减少通道数，再送入 $3\times 3$ 卷积，最后再利用 $1\times 1$ 卷积升维。这种结构从形状上看中间窄两边宽，类似于沙漏形状；而在 MobileNet 中，由于使用了深度可分离卷积来逐通道计算，本身计算量就比较少，因此在此可以使用 $1\times 1$ 卷积来升维，在计算量增加不大的基础上获取更好的效果，最后再用 $1\times 1$ 卷积降维。这种结构中间宽两边窄，类似于柳叶，该结构也因此被称为 Inverted Residual Block
• 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

通道混洗

• 当前先进的轻量化网络大都使用深度可分离卷积或者组卷积，以降低网络的计算量，但这两种操作都无法改变特征的通道数，因此还需要使用 $1\times 1$ 卷积来促进通道之间信息的融合并改变通道至指定维度。因此，轻量化网络中 $1\times 1$ 卷积占据了大量的计算，并且致使通道之间充满约束，一定程度上降低了模型的精度
• 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：
  $a$ 图代表了常规的两个组卷积操作，可以看到，如果没有逐点的 $1\times 1$ 卷积或者通道混洗，最终输出的特征仅由一部分输入通道的特征计算得出，这种操作阻碍了信息的流通，进而降低了特征的表达能力。因此，我们希望在一个组卷积之后，能够将特征图之间的通道信息进行融合，类似于 $b$ 图的操作，将每一个组的特征分散到不同的组之后，再进行下一个组卷积，这样输出的特征就能够包含每一个组的特征，而通道混洗恰好可以实现这个过程，如 $c$ 图所示
• 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

• $a$ 图是一个带有深度可分离卷积的残差模块 (i.e. MobileNet v2 的基本单元)
• $b$ 图则是 ShuffleNet 的基本单元，可以看到 $1\times 1$ 卷积采用的是组卷积，然后进行通道的混洗，这两步可以取代 $1\times 1$ 的逐点卷积，并且大大降低了计算量。$3\times 3$ 卷积仍然采用深度可分离的方式
• $c$ 图是带有降采样的 ShuffleNet 单元。由于降采样时通常要伴有通道数的增加，ShuffleNet 直接将两分支拼接在一起来实现了通道数的增加，而不是常规的逐点相加

---

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
• $g\in [1,8]$ 代表组卷积的组数，以控制卷积连接的稀疏性。组数越多，计算量越少，因此在相同计算资源的条件下，可以使用更多的卷积核以获取更多的通道数

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 $1\times 1$ 卷积的计算复杂度最大，因此下面主要考虑卷积核大小为 $1\times 1$ 时的情况。假设输入与输出特征图大小为 $h\times w$，通道数分别为 $c_1,c_2$，则 FLOPs 为 $B=hw{c}_1{c}_2$，MAC 为 $hw(c_1+c_2)+c_1{c}_2$ (两项分别为输入输出特征图的大小和 $1\times 1$ 卷积核的大小)。当 FLOPs $B$ 固定时，有 $c_1{c}_2=\frac{B}{hw}$，代入 MAC 表达式可得
    $$\mathrm{M}\mathrm{A}\mathrm{C}\ge 2\sqrt{hwB}+\frac{B}{hw}$$因此 FLOPs 不变时，当且仅当 $c_1=c_2$ 时 MAC 最小。虽然上述理论分析只适用于有足够大的 cache 能容纳输入/出特征图及卷积参数的情况，实际 MAC 可能会有所出入，但实验证明上述规律确实存在：
    
  • (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 $g$，则 FLOPs $B=hw{c}_1{c}_2/g$，因此
    $$\begin{array}{rl}\mathrm{M}\mathrm{A}\mathrm{C}& =hw\left(c_1+c_2\right)+\frac{c_1{c}_2}{g}\\ & =hw{c}_1+\frac{Bg}{c_1}+\frac{B}{hw}\end{array}$$由此可见， $g$ 的增加会使得 MAC 显著增加
    
  • (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 $1\times 1$ 组卷积与 $1\times 1$ 的逐点卷积的 bottleneck 结构，导致输入输出通道数不同，违背了规则 1 与规则 2
• (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，($c$) (d) 为 v2 的基础结构。v2 提出了 Channel Split 操作，如 ($c$) 所示，将输入特征分成两部分，一部分进行真正的深度可分离计算，将计算结果与另一部分进行通道 Concat，最后进行通道的混洗操作，完成信息的互通。同时，整个过程没有使用到 $1\times 1$ 组卷积，也避免了逐点相加的操作。在需要降采样与通道翻倍时，ShuffleNet v2 去掉了 Channel Split 操作，这样最后 Concat 时通道数会翻倍
• 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 $1\times 1$ 卷积来融合特征：
  

参考文献

• 《深度学习之 PyTorch 物体检测实战》