轻量级模型解读——ShuffleNet系列

2024-09-07 12:04

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:
在这里插入图片描述


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:
在这里插入图片描述
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。

ShuffleNetv2与其他分类网络在ImageNet数据集上的表现比较如下:
在这里插入图片描述

总结:ShuffleNetv2的工程性很强,特别是关于轻量级模型设计的四条准则,都是结合了模型实际运行在硬件平台上的内存访问成本及硬件特性从而得到的结论,很值得我们在实际应用中参考。

这篇关于轻量级模型解读——ShuffleNet系列的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1145011

相关文章

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

MCU7.keil中build产生的hex文件解读

1.hex文件大致解读 闲来无事,查看了MCU6.用keil新建项目的hex文件 用FlexHex打开 给我的第一印象是:经过软件的解释之后,发现这些数据排列地十分整齐 :02000F0080FE71:03000000020003F8:0C000300787FE4F6D8FD75810702000F3D:00000001FF 把解释后的数据当作十六进制来观察 1.每一行数据