轻量级模型解读——ShuffleNet系列

本文主要是介绍轻量级模型解读——ShuffleNet系列，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

和MobileNet一样，shuffleNet也是常用的轻量级模型，由旷视科技2017年首次提出

文章目录

1、ShuffleNetv1
2、ShuffleNetv2

首先上一张ShuffleNetv1和ShuffleNetv2两者参数量及ImageNet数据集上表现情况对比：
在这里插入图片描述

1、ShuffleNetv1

2017年，旷视科技提出ShuffleNet，该网络结构专为计算能力非常有限(比如：10-150 MFLOPs)的移动设备而设计，主要由点分组卷积(pointwise group convolution)及通道打乱(channel shuffle)两部分组成。在40MFLOPs的计算预算下，ShuffeNet在ImageNet分类上的top-1准确率比MobileNet高6.7%；在基于arm的移动设备上，ShuffleNet在和AlexNet精度一致的情况下能实现13倍的提速。

最近Xception和ResNeXt等网络结构在构建块中引入深度可分离卷积或分组卷积，从而在特征表达及计算成本之间取得平衡，但作者关注到，他们只对3x3卷积核配备了分组卷积(减小参数)，但为了能融合通道之间的信息，没有对1x1卷积核采用分组卷积，这就造成了大量计算量都集中在1x1的卷积操作；比如：ResNeXt中的每个残差单元，1x1的点卷积占据93.4%的M-adds。

但若是在depthwise卷积或分组卷积后，也对后面的1x1点卷积应用分组卷积，那通道之间的信息就得不到融合从而减弱特征表示，如下图(a)。但若是1x1点分组卷积的输入来自上一层不同的分组，那就不会存在通道特征不融合这个问题，如下图(b)。为此，作者提出先将depthwise卷积后的特征图通道打乱，然后对1x1点卷积应用分组卷积以减小参数及M-adds，如下图©。

在这里插入图片描述

ShuffleNet Unit
shuffleNet的创新点可以用一句话概括，在残差模块中，用来降维的1x1 Pointwise卷积变成1x1 Point Group卷积，在3x3 Depthwise卷积后将原来的1x1 Pointwise卷积变成1x1 Point Group卷积，并且在做3x3 Depthwise卷积之前，先将输入特征图按通道维度打乱,防止因为两次进行Group卷积(Depthwise卷积可看作特殊的Group卷积)导致通道之间信息“凝固”。下面是论文中给出的ShuffleNet Unit示意图，(a)是ResNet残差结构，(b)和©是ShuffleNet采用的结构，©带下采样功能。
在这里插入图片描述
对比(a)和(b)可以看出，画红圈部分是主要的改进点，(a)中1x1 Conv全部变成1x1 GConv，在做3x3 DWConv之前应用Channel Shuffle。

下表展示了网络对通道打乱和不打乱在ImageNet数据集上的表现，对通道打乱均好于不打乱的效果。
在这里插入图片描述
与MobileNet比较在ImageNet数据集上的表现：

2、ShuffleNetv2

目前，神经网络架构设计多以计算复杂度的间接度量为指导，即FLOPs（浮点运算次数，等同于M-adds，即加法运算次数）。但模型最终的推理速度还取决于其他因素，比如内存访问成本(memory access cost, MAC)及平台特性（有些平台对特定算子做了加速处理）。因此，作者建议直接在目标平台上评估推理时间作为参考标准，而不应该仅仅是考虑模型的flops。

作者结合实验及硬件限制的情况下，得出了四条高效设计网络结构的准则，这些准则不仅仅只是考虑了FLOPs。
准则1：输入输出具有相同channel的时候，内存消耗是最小的；
准则2：过多的分组卷积操作会增大MAC，从而使模型速度变慢，即MAC与分组数量g成正比；
准则3：模型中的分支数量越少，模型速度越快，分支数量多，妨碍并行；
准则4：Element-wise操作非常耗时，设计网络结构时，不能忽视；Element-wise操作有ReLU激活，偏置，short-cut，Depthwise卷积等，虽然它们的FLOPs较低，但是它们的MAC高。

所以，作者认为一个高效的网络架构应该尽量使用“平衡”卷积(相等的channel宽度)，并且意识到使用分组卷积的代价，以及降低网络的分支数量和尽量减少元素操作。基于以上结论，作者设计了ShuffleNetv2，整体结构如下：
在这里插入图片描述
ShuffleNetv2与ShuffleNetv1对比，单元模块改进情况如下图所示：

对比(a),©两个结构，可以看到ShuffleNetv2将v1版本中残差结构内部的1x1 GConv变回了1x1Conv，这条改进对应准则2；为了使用1x1Conv又不想增加太多计算量，所以，作者将输入做了Channel split，一条分支c’个通道，直接short-cut到后面，一个分支是C-c’个通道，经过3个卷积层，且每个卷积层输入输出通道相同，这条对应准则3和1；将channel shuffle操作调整到了模块最后，并且将分支合并时的Add和ReLU变成了Concat操作，这条对应准则4。