轻量级网络之mobilenet v1

  论文分享  

萝卜兔编辑整理

卷积神经网络广泛应用在各种任务,比如图像分类、目标检测等,性能也越来越好,但都趋向于使用更深更复杂的结构来提升性能而不太关注计算代价,使得将这些模型直接部署在移动设备困难重重。本文针对传统卷积计算量大的缺点,对传统卷积模块进行了改进,该结构更高效,为在移动设备上部署带来了可能。

Roofline Model

在介绍具体的原理之前,我们先来与模型计算性能相关的几个概念: 

(1)计算量:对于给定大小的输入,模型进行一次预测(前向传播)需要的浮点运算次数,其单位为 FLOP ;

(2)访存量:对于给定大小的输入,模型进行一次预测(前向传播)发生的内存交换量,其单位为 Byte ;

(3)计算强度:计算量与访存量的比值,单位为 FLOP/Byte;

衡量一个设备的性能需要考虑很多因素,这里我们仅考虑两个重要因素:带宽和算力,有一个经典模型Roofline Model 刻画了两者的关系:

上图中横轴I为计算强度,纵轴P表示理论性能,可以看出,随着计算强度的增加,理论性能先增加然后保持不变,拐点称为最大计算强度,由设备的算力和带宽共同决定,当计算强度小于最大计算强度时,称为存储受限,即此时性能受限于存储器;当计算强度大于最大计算强度时,称为计算受限,即此时性能受限于计算能力。后面将给出本文的结构与一些经典结构的对比。

原理 

mobilenet的核心思想是将传统卷积分解为深度可分离卷积与1 * 1 的卷积。深度可分离卷积是指输入特征图的每个channel都对应一个卷积核,这样输出的特征的每个channel只与输入特征图对应的channel相关。这种卷积操作能够显著降低模型大小和计算量。示意图如下:

对于一个大小为3 * 3 的卷积核,计算量降低了约7 ~ 9 倍。

下面来看一下整体的网络结构,网络结构比较简单直观,与VGG类似,都采用逐层堆叠式。

另外该模型还可以引入两个额外的参数来分别控制特征图的channel数和输入的分辨率,从而得到更高效的模型,可以在速度和精度的权衡下选择合适的模型。

实验结果:

1. 传统卷积结构与深度可分离的结构性能对比,可以看出深度可分离的结构牺牲了很小的性能,带来了计算量和参数量的大幅降低。

2. 在原始结构的基础上,对特征图的channel数量进行不同比例的压缩,可以根据实际需求选择合适的结构。

3. 不同模型计算量、访存量、计算强度的比较

论文链接:MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications


你可能感兴趣的:(轻量级网络之mobilenet v1)