EfficientNet算法解析和实践

2023-10-31 20:38

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:
在这里插入图片描述
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:
在这里插入图片描述
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。
在这里插入图片描述
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。
在这里插入图片描述
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:
在这里插入图片描述
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 αβ2γ22,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:
在这里插入图片描述
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:

  1. 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
  2. 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。
在这里插入图片描述
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。
在这里插入图片描述

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:
在这里插入图片描述
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!



http://www.chinasem.cn/article/317971

相关文章

SpringCloud动态配置注解@RefreshScope与@Component的深度解析

《SpringCloud动态配置注解@RefreshScope与@Component的深度解析》在现代微服务架构中,动态配置管理是一个关键需求,本文将为大家介绍SpringCloud中相关的注解@Re... 目录引言1. @RefreshScope 的作用与原理1.1 什么是 @RefreshScope1.

Java并发编程必备之Synchronized关键字深入解析

《Java并发编程必备之Synchronized关键字深入解析》本文我们深入探索了Java中的Synchronized关键字,包括其互斥性和可重入性的特性,文章详细介绍了Synchronized的三种... 目录一、前言二、Synchronized关键字2.1 Synchronized的特性1. 互斥2.

Spring Boot 配置文件之类型、加载顺序与最佳实践记录

《SpringBoot配置文件之类型、加载顺序与最佳实践记录》SpringBoot的配置文件是灵活且强大的工具,通过合理的配置管理,可以让应用开发和部署更加高效,无论是简单的属性配置,还是复杂... 目录Spring Boot 配置文件详解一、Spring Boot 配置文件类型1.1 applicatio

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容:标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO(blocking I/O)NI

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

tomcat多实例部署的项目实践

《tomcat多实例部署的项目实践》Tomcat多实例是指在一台设备上运行多个Tomcat服务,这些Tomcat相互独立,本文主要介绍了tomcat多实例部署的项目实践,具有一定的参考价值,感兴趣的可... 目录1.创建项目目录,测试文China编程件2js.创建实例的安装目录3.准备实例的配置文件4.编辑实例的

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

springboot集成Deepseek4j的项目实践

《springboot集成Deepseek4j的项目实践》本文主要介绍了springboot集成Deepseek4j的项目实践,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价... 目录Deepseek4j快速开始Maven 依js赖基础配置基础使用示例1. 流式返回示例2. 进阶