从Inception v1,v2,v3,v4,RexNeXt到Xception再到MobileNets,ShuffleNet,MobileNetV2,ShuffleNetV2

深碍√TFBOYSˉ_ 2022-01-27 01:57 316阅读 0赞

v1:Going deeper with convolutions

Inception v1的网络，主要提出了Inceptionmodule结构（1\*1，3\*3，5\*5的conv和3\*3的pooling组合在一起），最大的亮点就是从NIN（Network in Network）中引入了1\*1 conv，结构如下图所示，代表作GoogleNet

假设previous layer的大小为28\*28\*192，则，

a的weights大小，1\*1\*192\*64+3\*3\*192\*128+5\*5\*192\*32=387072

a的输出featuremap大小，28\*28\*64+28\*28\*128+28\*28\*32+28\*28\*192=28\*28\*416

b的weights大小，1\*1\*192\*64+(1\*1\*192\*96+3\*3\*96\*128)+(1\*1\*192\*16+5\*5\*16\*32)+1\*1\*192\*32=163328

b的输出feature map大小，28\*28\*64+28\*28\*128+28\*28\*32+28\*28\*32=28\*28\*256

写到这里，不禁感慨天才般的1\*1 conv，从上面的数据可以看出一方面减少了weights，另一方面降低了dimension。

Inception v1的亮点总结如下：

(1)卷积层共有的一个功能，可以实现通道方向的降维和增维，至于是降还是增，取决于卷积层的通道数（滤波器个数），在Inception v1中1\*1卷积用于降维，减少weights大小和feature map维度。

(2)1\*1卷积特有的功能，由于1\*1卷积只有一个参数，相当于对原始feature map做了一个scale，并且这个scale还是训练学出来的，无疑会对识别精度有提升。

(3)增加了网络的深度

(4)增加了网络的宽度

(5)同时使用了1\*1，3\*3，5\*5的卷积，增加了网络对尺度的适应性

下图为googlenet网络结构：

这里有2个地方需要注意：

(1)整个网络为了保证收敛，有3个loss

(2)最后一个全连接层之前使用的是global average pooling，全局pooling使用的好了，还是有好多地方可以发挥的。

v2:Batch Normalization: Accelerating Deep Network Training by ReducingInternal Covariate Shift

Inception v2的网络，代表作为加入了BN（Batch Normalization）层，并且使用2个3\*3替代1个5\*5卷积的改进版GoogleNet。

Inception v2的亮点总结如下：

(1)加入了BN层，减少了InternalCovariate Shift（内部neuron的数据分布发生变化），使每一层的输出都规范化到一个N(0, 1)的高斯，从而增加了模型的鲁棒性，可以以更大的学习速率训练，收敛更快，初始化操作更加随意，同时作为一种正则化技术，可以减少dropout层的使用。

(2)用2个连续的3\*3 conv替代inception模块中的5\*5，从而实现网络深度的增加，网络整体深度增加了9层，缺点就是增加了25%的weights和30%的计算消耗。

v3:Rethinking the InceptionArchitecture for Computer Vision

Inception v3网络，主要在v2的基础上，提出了卷积分解（Factorization），代表作是Inceptionv3版本的GoogleNet。

Inception v3的亮点总结如下：

(1) 将7\*7分解成两个一维的卷积（1\*7,7\*1），3\*3也是一样（1\*3,3\*1），这样的好处，既可以加速计算（多余的计算能力可以用来加深网络），又可以将1个conv拆成2个conv，使得网络深度进一步增加，增加了网络的非线性，更加精细设计了35\*35/17\*17/8\*8的模块。

(2)增加网络宽度，网络输入从224\*224变为了299\*299。

v4:Inception-v4,Inception-ResNet and the Impact of Residual Connections on Learning

Inception v4主要利用残差连接（Residual Connection）来改进v3结构，代表作为，Inception-ResNet-v1，Inception-ResNet-v2，Inception-v4

resnet中的残差结构如下，这个结构设计的就很巧妙，简直神来之笔，使用原始层和经过2个卷基层或者3个卷积层的feature map做Eltwise。

首先介绍几个概念，左边的3\*3+3\*3(ResNet18，ResNet34)和1\*1+3\*3+1\*1（ResNet50，ResNet101，ResNet152）称为瓶颈单元（bootlenect，因为输入为256，中间为64，输出为256，宽窄宽的结构，像瓶子的颈部）。右面的直线，有的实现是直线中有1\*1卷积，称为shortcut。整个bootlenect+shortcut称为Residual uint。几个Residual uint的叠加称为Residual block。Resnet结构都是由4个Residual block组成的。

Inception-ResNet的改进就是使用上文的Inception module来替换resnet shortcut中的bootlenect。

Inception v4的亮点总结如下：

(1)将Inception模块和ResidualConnection结合，提出了Inception-ResNet-v1，Inception-ResNet-v2，使得训练加速收敛更快，精度更高。

ILSVRC-2012测试结果如下（single crop），

(2)设计了更深的Inception-v4版本，效果和Inception-ResNet-v2相当。

(3)网络输入大小和V3一样，还是299\*299

Aggregated ResidualTransformations for Deep Neural Networks

这篇提出了resnet的升级版。ResNeXt，the next dimension的意思，因为文中提出了另外一种维度cardinality，和channel和space的维度不同，cardinality维度主要表示ResNeXt中module的个数，最终结论

（1）增大Cardinality比增大模型的width或者depth效果更好

（2）与 ResNet 相比，ResNeXt 参数更少，效果更好，结构更加简单，更方便设计

其中，左图为ResNet的一个module,右图为ResNeXt的一个module，是一种split-transform-merge的思想

Xception: DeepLearning with Depthwise Separable Convolutions

这篇文章主要在Inception V3的基础上提出了Xception（Extreme Inception），基本思想就是通道分离式卷积（depthwise separable convolution operation）。最终实现了

(1)模型参数有微量的减少，减少量很少，具体如下，

(2)精度较Inception V3有提高，ImageNET上的精度如下，

先说，卷积的操作，主要进行2种变换，

(1)spatial dimensions，空间变换

(2)channel dimension，通道变换

而Xception就是在这2个变换上做文章。Xception与Inception V3的区别如下：

(1)卷积操作顺序的区别

Inception V3是先做1\*1的卷积，再做3\*3的卷积，这样就先将通道进行了合并，即通道卷积，然后再进行空间卷积，而Xception则正好相反，先进行空间的3\*3卷积，再进行通道的1\*1卷积。

(2)RELU的有无

这个区别是最不一样的，Inception V3在每个module中都有RELU操作，而Xception在每个module中是没有RELU操作的。

MobileNets: EfficientConvolutional Neural Networks for Mobile Vision Applications

MobileNets其实就是Exception思想的应用。区别就是Exception文章重点在提高精度，而MobileNets重点在压缩模型，同时保证精度。

depthwiseseparable convolutions的思想就是，分解一个标准的卷积为一个depthwise convolutions和一个pointwise convolution。简单理解就是矩阵的因式分解。

传统卷积和深度分离卷积的区别如下，

假设，输入的feature map大小为DF \* DF，维度为M，滤波器的大小为DK \* DK，维度为N，并且假设padding为1，stride为1。则，

原始的卷积操作，需要进行的矩阵运算次数为DK · DK · M · N · DF · DF，卷积核参数为DK · DK · N · M

depthwise separable convolutions需要进行的矩阵运算次数为DK · DK ·M · DF · DF + M · N · DF · DF，卷积核参数为DK · DK · M+N · M

由于卷积的过程，主要是一个spatial dimensions减少，channel dimension增加的过程，即N>M，所以，DK · DK · N · M> DK · DK · M+N · M。

因此，depthwiseseparable convolutions在模型大小上和模型计算量上都进行了大量的压缩，使得模型速度快，计算开销少，准确性好。如下图所示，其中，横轴MACS表示加法和乘法的计算量（Multiply-Accumulates），纵轴为准确性。

depthwise separable convolutions在caffe中，主要通过卷积层中group操作实现，base\_line模型大小大概为16M。

mobileNet网络结构如下：

ShuffleNet: AnExtremely Efficient Convolutional Neural Network for Mobile Devices

这篇文章在mobileNet的基础上主要做了1点改进：

mobileNet只做了3\*3卷积的deepwiseconvolution，而1\*1的卷积还是传统的卷积方式，还存在大量冗余，ShuffleNet则在此基础上，将1\*1卷积做了shuffle和group操作，实现了channel shuffle 和pointwise group convolution操作，最终使得速度和精度都比mobileNet有提升。

如下图所示，

(a)是原始的mobileNet的框架，各个group之间相互没有信息的交流。

(b)将feature map做了shuffle操作

(c)是经过channel shuffle之后的结果。

Shuffle的基本思路如下，假设输入2个group，输出5个group

| group 1 | group 2 |

| 1,2,3,4,5 |6,7,8,9,10 |

转化为矩阵为2\*5的矩阵

1 2 3 4 5

6 7 8 9 10

转置矩阵，5\*2矩阵

1 6

2 7

3 8

4 9

5 10

摊平矩阵

| 1,6 |2,7 |3,8 |4,9 |5,10 |

ShuffleNet Units 的结构如下，

(a)是一个带depthwiseconvolution (DWConv)的bottleneck unit

(b)在(a)的基础上，进行了pointwisegroup convolution (GConv) and channel shuffle

(c)进行了AVG pooling和concat操作的最终ShuffleNetunit

MobileNetV2: Inverted Residuals and Linear Bottlenecks

主要贡献有2点：

1，提出了逆向的残差结构（Inverted residuals）

由于MobileNetV2版本使用了残差结构，和resnet的残差结构有异曲同工之妙，源于resnet，却和而不同。

由于Resnet没有使用depthwise conv,所以，在进入pointwise conv之前的特征通道数是比较多的，所以，残差模块中使用了0.25倍的降维。而MobileNet v2由于有depthwise conv，通道数相对较少，所以残差中使用 了6倍的升维。

总结起来，2点区别

（1）ResNet的残差结构是0.25倍降维，MobileNet V2残差结构是6倍升维

（2）ResNet的残差结构中3\*3卷积为普通卷积，MobileNet V2中3\*3卷积为depthwise conv

MobileNet v1，MobileNet v2 有2点区别：

（1）v2版本在进入3\*3卷积之前，先进行了1\*1pointwise conv升维，并且经过RELU。

（2）1\*1卷积出去后，没有进行RELU操作

MobileNet v1，MobileNet v2 的实际使用区别：

精度上，MobileNet v2优于MobileNet v1

速度上，在GPU有并行的情况下，v1和v2速度基本差不多，在cpu这种无并行的情况下，v2要比v1慢大概40%。就是说，v2比v1的乘加运算量确实是小，但是最终速度是由好多因素决定的，这也就是shuffle v2的改进由来。

2，提出了线性瓶颈单元（linear bottlenecks）

Why no RELU？

首选看看RELU的功能。RELU可以将负值全部映射为0，具有高度非线性。下图为论文的测试。在维度比较低2,3的时候，使用RELU对信息的损失是比较严重的。而单维度比较高15,30时，信息的损失是比较少的。

MobileNet v2中为了保证信息不被大量损失，应此在残差模块中去掉最后一个的RELU。因此，也称为线性模块单元。

MobileNet v2网络结构：

其中，t表示通道的扩大系数expansion factor，c表示输出通道数，

n表示该单元重复次数，s表示滑动步长stride

其中bottleneck模块中，stride=1和stride=2的模块分别如上图所示，只有stride=1的模块才有残差结构。

结果：

MobileNet v2速度和准确性都优于MobileNet v1

和其他结构的对比：

plus：

mobilev2的官方代码中输入图片固定为224\*224，不支持任意大小的输入（https://github.com/tensorflow/models/tree/master/research/slim/nets/mobilenet），对其进行简单的修改，使得支持任意大小，将mobilenet.py中global\_pool函数进行修改，

def global\_pool(input\_tensor, pool\_op=tf.nn.avg\_pool):  
"""Applies avg pool to produce 1x1 output.  
NOTE: This function is funcitonally equivalenet to reduce\_mean, but it has  
baked in average pool which has better support across hardware.  
Args:  
input\_tensor: input tensor  
pool\_op: pooling op (avg pool is default)  
Returns:  
a tensor batch\_size x 1 x 1 x depth.  
"""  
shape = input\_tensor.get\_shape().as\_list()  
if shape\[1\] is None or shape\[2\] is None:  
kernel\_size = tf.convert\_to\_tensor(  
\[1, tf.shape(input\_tensor)\[1\],  
tf.shape(input\_tensor)\[2\], 1\])  
else:  
kernel\_size = \[1, shape\[1\], shape\[2\], 1\]  
\#output = pool\_op(  
\# input\_tensor, ksize=kernel\_size, strides=\[1, 1, 1, 1\], padding='VALID')  
output=tf.reduce\_max(input\_tensor, axis=\[1,2\])  
  
  
\# Recover output shape, for unknown shape.  
\#output.set\_shape(\[None, 1, 1, None\])  
output=tf.expand\_dims(output,1)  
output=tf.expand\_dims(output,2)  
return output

ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design

论文指出单纯的乘加运算FLOPs并不能完全表示模型的运算速度，访存开销memory access cost（MAC）也应该考虑进去。并基于这，设计出了轻量化网络ShuffleNet V2。

提出了4个改进的原则：

(1)单个模块的输入输出通道相同，可以最小化访存开销(MAC)

c1:输入通道数

c2：输出通道数

h,w：输入feature map 的高度，宽度

B:FLOPs数，就是计算量，这里假设B恒定，卷积为1\*1卷积（pointwise convolution ），因此计算量就是hwc1c2

MAC：访存次数，包括从内存取输入的feature map 的次数hwc1，将结果写回去的次数hwc2，取1\*1卷积核参数的次数1\*1\*c1\*c2

假设FLOPs数B恒定，c1\*c2乘积一定的条件下，c1==c2可以使得c1+c2的值最小。

得出结论，当c1:c2=1:1时，可以获得最小的访存次数，使得网络运行速度提升。

(2)过量使用组卷积group convolution ，会增加MAC

g：组卷积的group个数

B:FLOPs数,由于这里使用的是组卷积，因此要除g

MAC：访存次数,从MAC公式可以看出，g越大，MAC值越大

(3)网络的分支越多，并行度越差

网络碎片化会降低并行度 一些网络如Inception，以及Auto ML自动产生的网络NASNET-A，它们倾向于采用“多路”结构，即存在一个lock中很多不同的小卷积或者pooling，这很容易造成网络碎片化，减低模型的并行度，相应速度会慢

(4)Element-wise 操作的时间是不可忽略的

像ReLU, AddTensor, AddBias 这些操作，虽然具有比较小的FlOPs数，但是却有比较大的访存MAC

最终结论：

使用平衡的卷积，（相同的输入，输出通道数）  
组卷积的group数要谨慎设计  
减少网络的并行度，减少碎片化  
减少Element-wise 操作

网络模块：

前2个模块为ShuffleNet V1中的模块，（a）为传统模块，（b）为下采样模块

后2个模块为ShuffleNet V2中的模块，（c）为传统模块，（d）为下采样模块

V2和V1模块设计的区别：

v2中的传统模块增加了channel split，假设原始输入通道数为c，将通道分成了c-c’和c’两个通道，实验中，c’=c/2  
将channle shuffle操作移到后面来做  
传统模块中将add操作转化为concat操作，有助于增加信息量，减少运算量  
将Group conv换成了普通的conv，可以减少group数，减少MAC

网络结构：

论文实验：

分类任务精度：

ShuffleNet v2 ≥MobileNet v2 > ShuffeNet v1 > Xception

检测任务精度：

ShuffleNet v2 > Xception ≥ ShuffleNet v1 ≥ MobileNet v2

references:

http://iamaaditya.github.io/2016/03/one-by-one-convolution/

https://github.com/soeaver/caffe-model

https://github.com/facebookresearch/ResNeXt

https://github.com/kwotsin/TensorFlow-Xception

https://github.com/shicai/MobileNet-Caffe https://github.com/shicai/MobileNet-Caffe