本文主要是介绍EfficientNet算法解析和实践,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!
之前的深度学习论文都是在某个设计维度上对网络结构进行研究,比如网络结构的操作层个数(深度)、输入图片的分辨率或者操作层的通道数(宽度),很少有论文同时对这三种维度上的组合搜索进行研究。EfficientNet研究的就是在相同FLOPS算力的限制下,探索网络深度、宽度和分辨率对相同操作类型网络的结果影响,找到最优的配置比例参数。
优化问题
本论文研究不是对网络中操作层的类型进行搜索,假定论文的基本卷积网络中的每个阶段的操作都是一样的,比如以ResNet为例,网络有5个stage,每个stage中每个层的卷积操作和残差块都是一样的。基本卷积网络的问题可以描述为:
在这个公式中, F i L i F_{i}^{L_i} FiLi表示的是stage i i i中重复 L i L_i Li次相同的操作 F i F_i Fi, X ( H i , W i , C i ) X_{(H_i, W_i, C_i)} X(Hi,Wi,Ci)表示的是大小为 ( H i , W i , C i ) (H_i, W_i, C_i) (Hi,Wi,Ci)的输入特征向量 X X X。
在一个标准的卷积神经网络中,网络结构的变化一般规律是:随着网络深度的增加,分辨率在每个stage减小一半,特征通道翻倍。EfficientNet的设计空间是每个stage的分辨率 ( H i , W i ) (H_i, W_i) (Hi,Wi)、通道数 C i C_i Ci和操作层数 L i L_i Li,为了减小搜索的设计空间,规定这三个维度的数值在stage上按照一定比例均匀变化。作者的目的是希望在给定资源限制的条件下,找到网络的深度、宽度和分辨率,最大限度地提高模型网络的分类准确率,优化问题可以表述为:
其中, d , w , r d, w, r d,w,r分别表示的网络的深度depth、通道宽度width和分辨率resolution。
组合缩放
作者在文章分别探索了改变网络的深度、通道宽度和分辨率的情况下,对于网络准确率和浮点计算量的影响。实验结果如下图所示。
上图中左中右分别代表的是在固定其他两个参数的条件下,分别提高宽度、深度和分辨率系数的条件下,在ImageNet上面的精度和计算量变化。从上图我们可以观察到,随着三种系数的增加,网络模型的计算量越来越大,但是准确率的增加几近停滞。
作者做了一些实验,探索了在不同深度和分辨率下,通道数变化对对于网络模型精度的影响,如下图所示。
可以看出,经过一些简单的比例调整(深度和宽度),在相同的FLOPS下,网络模型随着宽度的增加,获得比基准网络获得更大的精度收益。作者得出了这样一个结论:调整和平衡三个维度的系数,在相同计算量下,可以获得精度更高的网络模型。
论文中最后提出了一种叫做混合缩放的方法,引进了一个混合系数 ϕ \phi ϕ,统一了三种维度系数的变化,变化的方法为:
其中, α , β , γ \alpha, \beta, \gamma α,β,γ分别表示深度、宽度和分辨率三种维度的基本构成比例,这个比例的约束是 α ⋅ β 2 ⋅ γ 2 ≈ 2 \alpha \cdot \beta^2 \cdot \gamma^2 \approx 2 α⋅β2⋅γ2≈2,为什么宽度和分辨率的比例系数需要平方呢?因为计算量FLOPS的变化比例是和 β \beta β或者 γ \gamma γ的平方成正比的,这样子的话才能保证FLOPS随着 ϕ \phi ϕ的变化呈现 2 ϕ 2^\phi 2ϕ的比例变化。
网络架构
因为本文的搜索空间不包括操作层类型,所以一个好的基准网络baseline对于整体效果也是至关重要。作者综合分类准确率和计算量的综合指标,以MnasNet的基本模块MBConv为搜索空间,搜索出了一个基准网络(FLOPS<400M),叫做EfficientNet-B0,这个网络模型的结构为:
可惜的是,作者在论文中并没有给出是用什么方法搜索的。
在有了B0的网络之后,作者通过两步来调整EfficientNet中的网络系数:
- 固定 ϕ = 1 \phi=1 ϕ=1这个系数,采用网络搜索方法,基于公式(2)和(3),找到 α , β , γ \alpha, \beta, \gamma α,β,γ的最佳组合,搜索出来的结果是 α = 1.2 , β = 1.1 , γ = 1.15 \alpha=1.2, \beta=1.1, \gamma=1.15 α=1.2,β=1.1,γ=1.15。
- 固定 α , β , γ \alpha, \beta, \gamma α,β,γ这三个系数,逐渐放大 ϕ \phi ϕ这个系数,获得B1 - B7的网络模型。
实验结果
论文在ImageNet数据集上做实验,得到了EfficientNet B0 - B7八个网络的结果,并和其他相同配置下的网络作对比。如下表格所示。
从表格中可以看出,在差不多精度的条件下,不同级别的EfficientNet和其他网络相比,具有更少的计算量的参数量,计算量一般能提升4倍以上,有些甚至达到了十几倍,参数量也都减小了3倍以上。部分网络用FLOPS-Accuracy二维图表示的话,优势更加直观,如下。
为了验证论文方法的可扩展性,还在MobileNet v1、MobileNet v2和ResNet-50的基准网络上做实验,得到如下结果:
在论文中,还对其他数据集和网络进行迁移实验,均获得比当前网络更好的水平,这里我就不一一列出了。
作者在EfficientNet的训练技巧上使用了Auto Augment、tensorflow版本的RMSProp优化器、Exponential Moving Average和dropout等trick,训练模型的代码已经公布在了Github里tensorflow/tpu的仓库上。
实践
2019年时,我在tensorflow上使用单机8卡GPU对B0网络进行训练,基本上复现了论文的结果,但是B3的复现效果却不理想,比论文给出的稍微低一些。另外,网络上也有其他人实现了PyTorch版本的EfficientNet网络模型结构,比较出名的有Timm库,我在PyTorch上利用该库的网络和训练方法,也将B0网络训练到77.38的准确率。
另外,虽然EfficientNet的参数量和计算量比其他网络少很多,但是这个网络里面大量使用了MBConv,这种模块需要分通道卷积,这种卷积方法比较消耗GPU显存,所以虽然计算量少了很多,但是在训练的时候batch size却无法设置过大。
这篇关于EfficientNet算法解析和实践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!