【轻量级网络系列三】MobileNetV2: Inverted Residuals and Linear Bottlenecks论文总结

本文主要是介绍【轻量级网络系列三】MobileNetV2: Inverted Residuals and Linear Bottlenecks论文总结,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!

摘要

本文将介绍一种新型的适合移动端的网络MobileNetV2,在最近众多的tasks和benchmarks上都取得了最好的表现。它是建立在一种倒转的残差结构上面的,其中的短路连接建立在thin bottleneck layers之间。中间的扩展层使用lightweight depthwise convolutions 来对特征进行过滤来提升网络非线性能力。特别的是,我们发现去除狭窄层的非线性能力对于表现特征的能力是重要的。最后,我们的方法允许对于输入输出域去耦,这对于后面的研究分析提供了一个很轻便的网络。

一、介绍

近些年,神经网络使得许多方向的机器智能产生了革命性的变换,达到了超越人类的识别准确率。但是这些提高识别准确率的背后,这些网络需要大量的计算能力而无法在嵌入式设备和手机等移动设备上部署。

本篇文章介绍了一种新型的网络是为手机和受限制的环境量身定制的,此网络在达到同样的准确率下,大大的降低了网络的运算操作以及内存需要。主要贡献在于,提出一个the inverted residual with linear bottleneck(倒转线性残差块),这使得输入低维度的特征,可以先让其扩张成高维度的,然后使用轻量的depthwise convolution进行卷积。特征随后被使用一个a linear convolution
送回低纬度的表征里。

本模型可以适用于几乎所有的经典网络结构中,也在许多评价数据集上取得了很好的表现。它减少了在嵌入式设备上对于主存的访问,转而支持对于cache内存的访问,这样提高了访问速度。

二、相关工作 

介绍了下神经网络发展过程中的一些经典网络,介绍了ShuffleNet这种开始改变卷积内部的连接。作者也提到最近有一些使用强化学习来进行网络结构搜索的部分,来设计这种轻量级网络,但是本文是想从直观上的改变神经网络运算以及设计更简单得网络。然后提了下自己之前的工作MobileNetV1。

三、前期准备,讨论以及直觉

3.1 Depthwise Separable Convolutions

Depthwise Separable Convolutions是构建运算高效卷积神经网络的重要部分,很多工作都用了。其大概的思想就是把之前的一个卷积模块给替换成两个有着放缩因子的分离层。两个层也就是分组的卷积和1*1卷积,我在这篇文章中有写过。分组卷积是为了降低该部分操作的运算量,然后通过1*1卷积来弥补通道的不足。MobileNetV2是使用3*3的depthwise separable convolutions,所以减少的运算量在8-9倍。

3.2 Linear Bottlenecks

 

作者提出了在特征的通道低纬度的时候,ReLU激活函数会带来数据坍塌,而在高维度的时候就保留了其中大部分信息。为此,作者提出使用在低维度的时候不用ReLU,转而在其中加入线性变换。但是在这部分代码中,作者后面是将这个ReLU替换成ReLU,将大于6得输出不在增长,可以看一下pytorch给的图,比较清楚。

3.3 Inverted residuals

可以看到其的结构与普通残差块的结构差距,只是在于普通残差两头粗中间瘦(即通道数在残差块内缩小),而Inverted residuals是在块内对于通道数进行增加。作者说为什么把残差应用在其中,灵感来自于,为了让梯度不衰减。而且这样的设计可以更加高效使用内存。

3.4 信息流解释 

对于我们结构中,一个很有兴趣的属性,它提供了一种在构建块上自然的输入输出域分离和一个层,是一个非线性函数用来将输入转换为输出。前者可以被看作为网络每层的容量,后者可以看作网络的表现力。这在传统的常规和分离的卷积神经网络中是相矛盾的,当表现力和容量都纠缠在一起的时候,是输出层深度的函数。

特别的是,在我们的情况里,当内部深度为0时,底层的卷积为身份函数由于短路连接的存在。当ratio小于1的话,是常规的残差块,但我们展现出了当ratio大于1的时候,才是被最好利用的时候。

这个解释让我们允许我们可以它的容量中去单独研究网络的表现力,我们相信对于分离方面进一步的探索会给更好理解网络性质带来保证。

模型结构

Bottleneck residual block由1*1卷积先提高通道数,在通过3*3卷积,之后通过1*1卷积降低通道维数。使用ReLU6替代ReLU的原因是,为了在不降低准确率的情况下减少计算量。

这篇关于【轻量级网络系列三】MobileNetV2: Inverted Residuals and Linear Bottlenecks论文总结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/583478

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

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

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

Linux 网络编程 --- 应用层

一、自定义协议和序列化反序列化 代码: 序列化反序列化实现网络版本计算器 二、HTTP协议 1、谈两个简单的预备知识 https://www.baidu.com/ --- 域名 --- 域名解析 --- IP地址 http的端口号为80端口,https的端口号为443 url为统一资源定位符。CSDNhttps://mp.csdn.net/mp_blog/creation/editor

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

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

【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

git使用的说明总结

Git使用说明 下载安装(下载地址) macOS: Git - Downloading macOS Windows: Git - Downloading Windows Linux/Unix: Git (git-scm.com) 创建新仓库 本地创建新仓库:创建新文件夹,进入文件夹目录,执行指令 git init ,用以创建新的git 克隆仓库 执行指令用以创建一个本地仓库的

ASIO网络调试助手之一:简介

多年前,写过几篇《Boost.Asio C++网络编程》的学习文章,一直没机会实践。最近项目中用到了Asio,于是抽空写了个网络调试助手。 开发环境: Win10 Qt5.12.6 + Asio(standalone) + spdlog 支持协议: UDP + TCP Client + TCP Server 独立的Asio(http://www.think-async.com)只包含了头文件,不依

poj 3181 网络流,建图。

题意: 农夫约翰为他的牛准备了F种食物和D种饮料。 每头牛都有各自喜欢的食物和饮料,而每种食物和饮料都只能分配给一头牛。 问最多能有多少头牛可以同时得到喜欢的食物和饮料。 解析: 由于要同时得到喜欢的食物和饮料,所以网络流建图的时候要把牛拆点了。 如下建图: s -> 食物 -> 牛1 -> 牛2 -> 饮料 -> t 所以分配一下点: s  =  0, 牛1= 1~