An Improved One millisecond Mobile Backbone 论文笔记

An Improved One millisecond Mobile Backbone 论文笔记

论文链接: https://arxiv.org/abs/2206.04040

一、Introduction

作者在本文中探索一个新的mobile backbone，能够使得在iPhone 12上面推理不到1 ms，且在ImageNet上达到75.9%的top-1精度。

1. 作者认为FLOPs或者参数量通常与延迟性(latency)关系不大。

• sharing parameters leads to higher FLOPs，but smaller model size。
• parameter-less operations like skip-connections or branching, can incur significant memory access costs。

2. 作者认为Optimization是另一个瓶颈。

• 作者将训练和推理的结构分开，训练的时候使用一个linearly over-parameterized 模型，然后在推理的时候re-parameterizing the linear structures。
• 使用dynamically relaxing regularization进行训练，使得小模型过参数化。

Direction

1. 在训练的时候引入了linear branch(over-parameterization branch)，然后在推理的时候re-parameterized。
2. 训练的时候使用dynamic relaxation of regularization。

二、Method

1. FLOPs和参数量与延迟的关系

作者实验分析，FLOPs和延迟性相关性中等，与参数量相关性较弱。

2. 瓶颈

1. 激活函数

作者使用相同的网络结构，除了激活函数。对比了SE-ReLU, Dynamic Shift-Max和 DynamicReLUs等。延迟性如下:

DynamicReLU和Dynamic Shift-Max可以在极低FLOPs的模型，像MicroNet，上得到很大的提升，但在延迟性上面会影响挺大。因此作者在MobileOne上仅使用ReLU激活函数。

2. Architectural Blocks

有两个关键因素影响运行的性能:

• memory access cost
• degree of parallelism

memory access cost随着multi-branch的结构增加，因为每个分支的值都需要存储起来，来计算下一个tensor。这样的存储瓶颈可以通过减少分支数量来进行优化。其次，使用Squeeze-Excite block也是会影响整体的运行时间，因为它会带来同步的成本。

因此，作者在推理的时候不采用分支结构，减少memory access cost。但除此之外，也会使用Squeeze-Excite blocks在大模型上提高精度。

3. MobileOne模型结构

首先先引入MobileOne Block，它是由3x3的depthwise和1x1的pointwise卷积组成。其次，作者引入了over-parameterization branch。结构如下图所示:

其中$k$是over-parameterization参数，范围是1-5。在推理的时候，MobileOne并不存在任何分支，是个complain model。

其次，因为卷及和batchnorm在推理的时候是线性操作，因此它们可以组合在一起:
权重$W^{{}^{\prime }}\in {\mathbb{R}}^{C_{out}\times C_{in}\times K\times K}$, bias为$b^{{}^{\prime }}\in {\mathbb{R}}^D$。 batchnorm包括均值$\mu$, 标准差$\sigma$, 尺度$\gamma$和bias$\beta$。所以卷积和batchnorm合在一起为:

$$\begin{gathered} \hat{W}=W^{{}^{\prime }}\ast \frac{\gamma }{\sigma } \\ \hat{b}=(b^{{}^{\prime }}-\mu )\ast \frac{\gamma }{\sigma }+\beta \end{gathered}$$

而re-parameterizable分支的影响如下：

对于较大的MobileOne模型，over-parameterization的提升就会变小。

4. 训练

小的模型需要较少的正则化来抵抗过拟合。 而且需要使用weight decay在早先训练阶段。作者发现使用annealing weight decay regularization会对小模型更有效。

三、Performance

四、Conclusion

MobileOne提供了轻量型backbone的设计，分析了FLOPs和参数量对延迟的影响，在iPhone12上运行低于1ms。re-parameterization这个技术以后需要深入去看看。 个人感觉创新点不是特别大，因为MobileOne Block基于depthwise和pointwise(MobileNet-v1+RepVgg)的感觉，然后激活函数也使用较原始的ReLU。但在工程上，也值得参考，去设计轻量型Backbone。

Reference