附代码 ConvNeXts：A ConvNet for the 2020s

A ConvNet for the 2020s 论文解读

代码链接： https://github.com/facebookresearch/ConvNeXt
参考链接：https://zhuanlan.zhihu.com/p/458016349

摘要：

卷积网络和Swin Transformer 的不同和相似：它们都具有相似的归纳偏差，但在训练过程和宏观/微观架构设计上存在显著差异。在这项工作中，我们研究了卷积网络和Transformer之间的架构区别，并试图在比较网络性能时识别混杂变量。我们的研究旨在弥合前和后时代之间的差距，以及测试纯网络所能实现的极限。
即 How do design decisions in Transformers impact ConvNets’ performance？
从一个标准的ResNet(例如ResNet-50)开始，用一个改进的程序进行训练。ResNet逐渐实现“现代化”建筑，以构建一个层次化的VIT。

路线图：从ResNet到ConvNeXt

总结为
1)宏观设计
2)ResNeXt
3)倒置瓶颈
4)大卷积核
5)各种层次的微观设计。

训练策略

VIT不仅带来了结构上的设计，还带来不同的训练策略，使用了一个接近DeiT的和Swin变压器的的训练配方。该训练从原来的90个时代扩展到300个时代。我们使用AdamW优化器，数据增强技术，如Mixup，Cutmix，随机增强，随机擦除，和正则化方案，包括随机深度和标签平滑。这种增强的训练配方将ResNet-50模型的性能从76.1%[1]提高到78.8%。具体如下图：其中，EMA为Exponential Moving Average。

一，宏观设计

改变stage的比例：在ResNet中，跨阶段的计算分布的原始设计主要是经验性的。沉重的“res4”阶段是为了兼容下游任务，如目标检测。而另一方面，Swin-T遵循相同的原理，但阶段计算比例略有不同，为1：1：1：3：1。对于较大的Swin Transofmer，这个比例是1：1：9：1。根据设计，我们将每个阶段的块数从ResNet-50中的（3,4,6,3）调整到(3，3，9，3)，将模型精度从78.8%提高到79.4%。不过这里要注意的一点是，调整后其实blocks数量增加了，模型的FLOPs从原来的4G增加至4.5G，基本和Swin-T一致了，所以这个性能的提升很大程度上归功于FLOPs的增加。

对输入进行补丁化：下图为Swin Transformer 的流程图，可以看到图像在输入的时候进行了补丁操作，即使用4X4 步距为4的卷积层，将图像分为4X4的补丁图像，因此使用在ResNet中使用4X4步距为4的卷积层对图像进行补丁化操作，准确率从79.4%变到79.5%。

1，ResNeXt化：用于增加网络宽度与SWIN-T相同。即加入类self attention的结构

相比ResNet，ResNeXt通过采用group conv来提升性能，标准的conv其输入是所有的channels，而group conv会对channels进行分组来减少计算量，这样节省下来的计算量用来增加网络的width即特征channels。为了在引入ResNet结构的同时，进一步减少计算量，使用depthwise conv即DWConv（其中组的数量等于通道的数量）。根据ResNeXt中提出的策略，我们将网络宽度增加到与swint相同的通道数量（从64增加到96）。随着流量(5.3G)的增加，网络性能达到80.5%。
我们注意到，depthwise conv类似于自注意中的加权和运算，它在每个通道的基础上操作，即只在空间维数中混合信息，因此我们可以把他看作Self attention层（MSA）。

2，Inverted Bottleneck化

如果把self-attention（即MSA）看成一个dw conv的话（这里忽略self-attention的linear projection操作），那么一个transformer block可以近似看成一个inverted bottleneck，即创建了一个反向瓶颈，因为MLP块的隐藏维度比输入维度宽四倍（MLP块可以看作1X1卷积）。如下所示，有趣的是，这种设计与倒置瓶颈设计有关。

因此，我们探讨了反向瓶颈设计。下图说明了这些配置。尽管深度卷积层的FLOPs增加，但由于降采样剩余块的捷径1×1conv层，FLOPs显著减少。有趣的是，这导致了略微改善的性能（80.5%到80.6%）

3，大卷积核设计

Swin Transformer最显著的方面之一是它们的非局部自注意，这使每一层都有一个全局的接受域。虽然Swin Transformer重新将局部窗口引入了自注意块，但窗口大小至少为7×7，明显大于ResNe(X)t内核大小为3×3。

向上移动深度卷积：前面提到了DW conv可以看作self attention层（MSA），而在Swin Transformer中MSA块放置在MLP层之前。因此我们将DW conv移动到上方，放置在1X1卷积上方，如下图。由于我们有一个反向的瓶颈块，则复杂/低效的模块(MSA，大内核conv)将有更少的通道，而高效、密集的1×1层将完成繁重的工作。这一中间步骤将流量降低到4.1G，导致性能暂时下降到79.9%。

增加卷积核大小：采用更大的内核大小的卷积可以增大接收域，可以模仿Swin Transformer非局部自注意，这使每一层都有一个全局的接受域。我们实验了几个内核大小，包括3、5、7、9和11。网络的性能从79.9%（3×3）增加到80.6%（7×7），而网络的FLOPS大致保持不变。同时，我们发现，卷积核大小在7x7的时候，好处就达到饱和了。

二，微观设计

激活函数-用GELU替换ReLU：高斯误差线性单元(ELU)，或GELU，可以被认为是ReLU的一个更平滑的变体（如下图），在最先进的Transformer中被使用，包括谷歌的BERT和OpenAI的GPT-2，以及最近的ViTs。我们发现，在我们的ConvNet中，ReLU也可以用GELU代替，尽管准确率保持不变（80.6%）。因此将ReLU用GELU代替。

使用更少的激活函数：Transformer和ResNet块之间的一个小区别是，Transformer只在MLP中间采用了非线性激活，而ResNet模型常常每个conv之后就会用跟一个非线性激活函数，包括1个×1conv。在这里，我们将研究当我们坚持相同的策略时，性能将如何变化。我们从残余块中删除了所有的GELU层，只保留两个1×1层之间的激活函数，复制了一个变压器块的风格。该过程将结果提高了0.7%至81.3%，与Swin-T的性能基本匹配。

使用更少的标准化层：对于norm层，也存在和激活函数一样的问题，transformer中只在self-attention和MLP的开始采用了LayerNorm，而ResNet每个conv之后采用BatchNorm，比transformer多一个norm层。这里去掉其它的BatchNorm，只保留中间1x1 conv前的BatchNorm，此时模型性能有0.1%的提升。实际上要和transformer保持一致，应该在block最开始增加一个BatchNorm，但是这个并没有提升性能，所以最终只留下了一个norm层。
用LN代替BN：在Transformer中使用了更简单的层归一化(LN)，从而在不同的应用场景中具有良好的性能。在原始ResNet中直接用LN代替BN将导致次优性能。但通过对网络架构和训练技术的所有修改，我们的ConvNet模型在LN训练中没有任何困难；事实上，性能稍好一些，获得了81.5%的准确率。
分离下采样层：在ResNet中，空间降采样是通过每个阶段开始时的残差块实现的，使用3X3步距为2的卷积层（其中shortcut为1×1步距为2的卷积）。而在Swin Transformer中，是在各个阶段之间添加了一个单独的降采样层。因此我们探索了一种类似的策略，即单独使用2个×2的conv层进行空间降采样，即下采样是放在两个stage之间。但是实验发现，如果直接改用Swin-T的下采样，会出现训练发散问题，因此在改变空间分辨率的地方添加归一化层有助于稳定训练。一个在每个下采样层之前，一个在stem之后，即补丁化之后，一个在最终的全局平均池之后。可以将准确率提高到82.0%，显著超过Swin-T的81.3%。

模型结构：

经过6个方面的修改或者优化，最终得到的模型称为ConvNeXt，其模型结构如下所示，可以看到，ConvNeXt-T和Swin-T整体结构基本一致，而且模型FLOPs和参数量也基本一样，唯一的差异就是dw conv和W-MSA（MSA的前面和后面都包含linear projection，等价1x1 conv），由于dw conv和W-MSA的计算量存在差异，所以ConvNeXt-T比Swin-T包含更多的blocks。另外MSA是permutation-invariance的，所以W-MSA采用了相对位置编码；而且Swin-T需要采用shifted window来实现各个windows间的信息交互；而相比之下，ConvNeXt-T不需要这样的特殊处理。

从上面的分析来看，dw conv的性能是不低于W-MSA的，这个其实早在微软的论文Demystifying Local Vision Transformer: Sparse Connectivity, Weight Sharing, and Dynamic Weight中被验证过，这篇论文设计了DW Conv模型，它也和Swin模型结构一致，差别是将W-MSA直接换成了7x7 DW conv，由于保留了两个linear层，所以各个stage的blocks数量也一致。DW Conv-T和Swin-T的性能是一样的（81.3%），略低于ConvNeXt-T。

代码：

# Copyright (c) Meta Platforms, Inc. and affiliates.

# All rights reserved.

# This source code is licensed under the license found in the
# LICENSE file in the root directory of this source tree.


import torch
import torch.nn as nn
import torch.nn.functional as F
from timm.models.layers import trunc_normal_, DropPath
from timm.models.registry import register_model


class Block(nn.Module):
    r""" ConvNeXt Block. There are two equivalent implementations:
    (1) DwConv -> LayerNorm (channels_first) -> 1x1 Conv -> GELU -> 1x1 Conv; all in (N, C, H, W)
    (2) DwConv -> Permute to (N, H, W, C); LayerNorm (channels_last) -> Linear -> GELU -> Linear; Permute back
    We use (2) as we find it slightly faster in PyTorch
    
    Args:
        dim (int): Number of input channels.
        drop_path (float): Stochastic depth rate. Default: 0.0
        layer_scale_init_value (float): Init value for Layer Scale. Default: 1e-6.
    """

    def __init__(self, dim, drop_path=0., layer_scale_init_value=1e-6):
        super().__init__()
        self.dwconv = nn.Conv2d(dim, dim, kernel_size=7, padding=3, groups=dim)  # depthwise conv
        self.norm = LayerNorm(dim, eps=1e-6)
        self.pwconv1 = nn.Linear(dim, 4 * dim)  # pointwise/1x1 convs, implemented with linear layers
        self.act = nn.GELU()
        self.pwconv2 = nn.Linear(4 * dim, dim)
        self.gamma = nn.Parameter(layer_scale_init_value * torch.ones((dim)),
                                  requires_grad=True) if layer_scale_init_value > 0 else None
        self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()

    def forward(self, x):
        input = x
        x = self.dwconv(x)
        x = x.permute(0, 2, 3, 1)  # (N, C, H, W) -> (N, H, W, C)
        x = self.norm(x)
        x = self.pwconv1(x)
        x = self.act(x)
        x = self.pwconv2(x)
        if self.gamma is not None:
            out = self.gamma * x
            x = out
        x = x.permute(0, 3, 1, 2)  # (N, H, W, C) -> (N, C, H, W)

        x = input + self.drop_path(x)
        return x


class ConvNeXt(nn.Module):
    r""" ConvNeXt
        A PyTorch impl of : `A ConvNet for the 2020s`  -
          https://arxiv.org/pdf/2201.03545.pdf

    Args:
        in_chans (int): Number of input image channels. Default: 3
        num_classes (int): Number of classes for classification head. Default: 1000
        depths (tuple(int)): Number of blocks at each stage. Default: [3, 3, 9, 3]
        dims (int): Feature dimension at each stage. Default: [96, 192, 384, 768]
        drop_path_rate (float): Stochastic depth rate. Default: 0.
        layer_scale_init_value (float): Init value for Layer Scale. Default: 1e-6.
        head_init_scale (float): Init scaling value for classifier weights and biases. Default: 1.
    """

    def __init__(self, in_chans=3, num_classes=1000,
                 depths=[3, 3, 9, 3], dims=[96, 192, 384, 768], drop_path_rate=0.,
                 layer_scale_init_value=1e-6, head_init_scale=1.,
                 ):
        super().__init__()

        self.downsample_layers = nn.ModuleList()  # stem and 3 intermediate downsampling conv layers
        stem = nn.Sequential(
            nn.Conv2d(in_chans, dims[0], kernel_size=4, stride=4),
            LayerNorm(dims[0], eps=1e-6, data_format="channels_first")
        )
        self.downsample_layers.append(stem)
        for i in range(3):
            downsample_layer = nn.Sequential(
                LayerNorm(dims[i], eps=1e-6, data_format="channels_first"),
                nn.Conv2d(dims[i], dims[i + 1], kernel_size=2, stride=2),
            )
            self.downsample_layers.append(downsample_layer)

        self.stages = nn.ModuleList()  # 4 feature resolution stages, each consisting of multiple residual blocks
        dp_rates = [x.item() for x in torch.linspace(0, drop_path_rate, sum(depths))]
        cur = 0
        for i in range(4):
            stage = nn.Sequential(
                *[Block(dim=dims[i], drop_path=dp_rates[cur + j],
                        layer_scale_init_value=layer_scale_init_value) for j in range(depths[i])]
            )
            self.stages.append(stage)
            cur += depths[i]

        self.norm = nn.LayerNorm(dims[-1], eps=1e-6)  # final norm layer
        self.head = nn.Linear(dims[-1], num_classes)

        self.apply(self._init_weights)
        self.head.weight.data.mul_(head_init_scale)
        self.head.bias.data.mul_(head_init_scale)

    def _init_weights(self, m):
        if isinstance(m, (nn.Conv2d, nn.Linear)):
            trunc_normal_(m.weight, std=.02)
            nn.init.constant_(m.bias, 0)

    def forward_features(self, x):
        for i in range(4):
            x = self.downsample_layers[i](x)
            x = self.stages[i](x)
        return self.norm(x.mean([-2, -1]))  # global average pooling, (N, C, H, W) -> (N, C)

    def forward(self, x):
        x = self.forward_features(x)
        x = self.head(x)
        return x


class LayerNorm(nn.Module):
    r""" LayerNorm that supports two data formats: channels_last (default) or channels_first. 
    The ordering of the dimensions in the inputs. channels_last corresponds to inputs with 
    shape (batch_size, height, width, channels) while channels_first corresponds to inputs 
    with shape (batch_size, channels, height, width).
    """

    def __init__(self, normalized_shape, eps=1e-6, data_format="channels_last"):
        super().__init__()
        self.weight = nn.Parameter(torch.ones(normalized_shape))
        self.bias = nn.Parameter(torch.zeros(normalized_shape))
        self.eps = eps
        self.data_format = data_format
        if self.data_format not in ["channels_last", "channels_first"]:
            raise NotImplementedError
        self.normalized_shape = (normalized_shape,)

    def forward(self, x):
        if self.data_format == "channels_last":
            return F.layer_norm(x, self.normalized_shape, self.weight, self.bias, self.eps)
        elif self.data_format == "channels_first":
            u = x.mean(1, keepdim=True)
            s = (x - u).pow(2).mean(1, keepdim=True)
            x = (x - u) / torch.sqrt(s + self.eps)
            x = self.weight[:, None, None] * x + self.bias[:, None, None]
            return x


model_urls = {
    "convnext_tiny_1k": "https://dl.fbaipublicfiles.com/convnext/convnext_tiny_1k_224_ema.pth",
    "convnext_small_1k": "https://dl.fbaipublicfiles.com/convnext/convnext_small_1k_224_ema.pth",
    "convnext_base_1k": "https://dl.fbaipublicfiles.com/convnext/convnext_base_1k_224_ema.pth",
    "convnext_large_1k": "https://dl.fbaipublicfiles.com/convnext/convnext_large_1k_224_ema.pth",
    "convnext_tiny_22k": "https://dl.fbaipublicfiles.com/convnext/convnext_tiny_22k_224.pth",
    "convnext_small_22k": "https://dl.fbaipublicfiles.com/convnext/convnext_small_22k_224.pth",
    "convnext_base_22k": "https://dl.fbaipublicfiles.com/convnext/convnext_base_22k_224.pth",
    "convnext_large_22k": "https://dl.fbaipublicfiles.com/convnext/convnext_large_22k_224.pth",
    "convnext_xlarge_22k": "https://dl.fbaipublicfiles.com/convnext/convnext_xlarge_22k_224.pth",
}


@register_model
def convnext_tiny(pretrained=False, in_22k=False, **kwargs):
    model = ConvNeXt(depths=[3, 3, 9, 3], dims=[96, 192, 384, 768], **kwargs)
    if pretrained:
        url = model_urls['convnext_tiny_22k'] if in_22k else model_urls['convnext_tiny_1k']
        checkpoint = torch.hub.load_state_dict_from_url(url=url, map_location="cpu", check_hash=True)
        model.load_state_dict(checkpoint["model"])
    return model


@register_model
def convnext_small(pretrained=False, in_22k=False, **kwargs):
    model = ConvNeXt(depths=[3, 3, 27, 3], dims=[96, 192, 384, 768], **kwargs)
    if pretrained:
        url = model_urls['convnext_small_22k'] if in_22k else model_urls['convnext_small_1k']
        checkpoint = torch.hub.load_state_dict_from_url(url=url, map_location="cpu")
        model.load_state_dict(checkpoint["model"])
    return model


@register_model
def convnext_base(pretrained=False, in_22k=False, **kwargs):
    model = ConvNeXt(depths=[3, 3, 27, 3], dims=[128, 256, 512, 1024], **kwargs)
    if pretrained:
        url = model_urls['convnext_base_22k'] if in_22k else model_urls['convnext_base_1k']
        checkpoint = torch.hub.load_state_dict_from_url(url=url, map_location="cpu")
        model.load_state_dict(checkpoint["model"])
    return model


@register_model
def convnext_large(pretrained=False, in_22k=False, **kwargs):
    model = ConvNeXt(depths=[3, 3, 27, 3], dims=[192, 384, 768, 1536], **kwargs)
    if pretrained:
        url = model_urls['convnext_large_22k'] if in_22k else model_urls['convnext_large_1k']
        checkpoint = torch.hub.load_state_dict_from_url(url=url, map_location="cpu")
        model.load_state_dict(checkpoint["model"])
    return model


@register_model
def convnext_xlarge(pretrained=False, in_22k=False, **kwargs):
    model = ConvNeXt(depths=[3, 3, 27, 3], dims=[256, 512, 1024, 2048], **kwargs)
    if pretrained:
        assert in_22k, "only ImageNet-22K pre-trained ConvNeXt-XL is available; please set in_22k=True"
        url = model_urls['convnext_xlarge_22k']
        checkpoint = torch.hub.load_state_dict_from_url(url=url, map_location="cpu")
        model.load_state_dict(checkpoint["model"])
    return model


if __name__ == '__main__':
    input = torch.ones(1, 3, 224, 224)

    m = convnext_tiny()
    out = m(input)
    print(out)