CNN卷积神经网络之RegNet

---

前言

《Designing Network Design Spaces》
论文地址：https://arxiv.org/pdf/2003.13678.pdf
代码：https://github.com/facebookresearch/pycls
何恺明团队在CVPR 2020上发布的论文，提出了RegNet。在相同的训练设计和FLOPs的条件下，RegNet的精度超越了之前最SOTA的EfficientNet，并且在GPU上的速度比EfficientNet快5倍。EfficientNet中分辨率、深度、宽度对网络的性能影响是相互作用的。CNN卷积神经网络之EfficientNet

近些年来，NAS（Neural Architecture Search）网络搜索技术非常火，但这对计算资源要求很高。包括这篇论文中的RegNet也有使用到NAS技术。但之前的一些有关NAS的论文都是在给定的设计空间（designed search space）中通过搜索算法去搜索出一组最佳参数组合。但在这篇论文中作者要探究的是如何去设计设计空间（design design spaces）并发现一些网络的通用设计准则。

设计思路

AnyNet设计空间

AnyNet设计空间是这篇论文中提出的最原始的设计空间，网络的主体就是由三部分组成（stem，body，head）。其中stem和head是固定不变的，stem就是一个普通的卷积层。head就是分类网络中常见的分类器，由一个全局平均池化层和全连接层构成。网络中最主要的就是body部分，body是由4个stage堆叠组成，而stage是由一系列block堆叠组成。但block的详细结构以及参数并没有做任何限制。论文作者说，根据他们的经验将block设计为带有分组卷积的残差结构。

这一路限制下来，搜索空间迅速下降，有点概率统计基础的可以很容易得到下面的结果：

其实作者还将原来AnyNetX设计空间的维度d从16个维度减少到6个维度，大小接近10个数量级。
此外，最后一个RegNet，作者认为，一个stage里的所有block的w通道数应该是一致的。

网络结构

RegNetY=RegNetX+SE，RegNetY在block中的3x3 Group Conv后接了个SE（Squeeze-and-Excitation）模块。CNN卷积神经网络之SENet

实验结果

RegNet和现有的SOTA移动端模型的性能对比：

RegNet和ResNet、ResNext模型的对比结果，与ResNet差不多的计算量下，RegNet性能更好(但是感觉跟ResNext不相上下)：

RegNet和SOTA EfficientNet 模型的对比结果：

消融实验结论

• 固定深度：
  作者观察到顶级模型的深度相当稳定(∼20个块）。比较在不同的flops区间使用固定深度，对每个模型进行了100个epoch的训练。令人惊讶的是，在平均和最佳情况下，在所有的flops区间，固定深度网络可以与深度不同的网络的性能相匹配。

• 更少的阶段：
  在高flops区间，最佳的REGNET模型在第四阶段有很少的块（一个或两个）。因此，作者在6.4GF下测试只要3个阶段的网络，训练100个epochs。结果观察到三阶段网络的性能相当差。然而，我们注意到，为了使三阶段网络运行良好（留作将来的工作），可能需要额外的改变（例如，在网络stem或head）。

• 反向瓶颈：
  使用反向瓶颈（b<1，即先升维再降维）会降低性能。

• Swish与ReLU：
  最近的许多方法使用Swish激活函数，作者使用Swish和ReLU研究RegNetY。发现Swish在低flops下优于ReLU，但在高flops下，ReLU更好。有趣的是，如果g被限制为1（深度可分离卷积），Swish的性能要比ReLU好得多。这表明深度可分离卷积和Swish的交互作用是有利的，尽管根本原因还不清楚。

上一篇：CNN卷积神经网络之EfficientNet