【网络结构】MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications论文解析

时间：2018-10-29 16:07:12 阅读：233 评论：0 收藏：0 [点我收藏+]

0. Paper link

1. Overview

??MobileNets是一种基于深度可分割卷积的轻量流线型结构，引进了两个简单的全局超参数在延迟与准确率之间达到了平衡，并且超参数让model builder可以按照不同的应用场景的限制去选择合适大小的模型，网络的主要贡献是把传统的卷积拆成了“deepwise convolution”与“pointwise convolution”来减少卷积过程的计算量与参数数量，同时利用了两个超参数来改变了网络的宽度与输入图片的分辨率。文章做的实验也比较好，是一篇值得学习各方面得文章，不仅仅是他的网络结构。

2. Depthwise Separable Convolution

2.1 architecture

??MobileNet的网络结构基于Depthwise Separable Convolution，它把传统的卷积操作拆成了两部分，一部分是Depthwise convolution，即对输入的每个channel使用一个卷积核，来达到对每一层做convolution的操作。另一部分是pointwise convolution，利用1 × 1卷积把Depthwise convolution的输出组合起来，从而达到传统convolution的效果，具体可以看下图：

技术分享图片

2.2 computational cost

??对于一个传统的卷积操作：假设输入与输出的feature map都是\(D_F × D_F × M\)，卷积核为\(D_K × D_K × M × N\)，其中\(D_F\)与\(D_K\)是尺寸（作者假设输入等于输出并且都是正方形，实际网络模型可以处理任何大小与长宽比），M是通道数，N是卷积核的个数。
??传统卷积操作如下（加padding）：
\[ \mathbf{G}_{k, l, n} = \sum_{i, j, m} \mathbf{K}_{i, j, m, n} · \mathbf{F}_{k+i-1, l+j-1, m} \]
??传统卷积computational cost 如下：
\[D_K · D_K · M · N · D_F · D_F\]
??depthwise convolution计算如下：
\[ \hat{\mathbf{G}}_{k, l, m} = \sum_{i, j}\hat{\mathbf{K}}_{i, j, m} · \mathbf{F}_{k+i-1, l+j-1, m} \]
??depthwise convolution的computational cost如下：
\[ D_K · D_K · M · D_F · D_F \]
??所以Depthwise Separable convolution cost：
\[ D_K · D_K · M · D_F · D_F + M · N · D_F · D_F \]
??他们之间computational cost的比例为：
\[ \frac{D_K · D_K · M · D_F · D_F + M · N · D_F · D_F}{D_K · D_K · M · N · D_F · D_F} = \frac{1}{N} + \frac{1}{D^{2}_{K}} \]

3. Network Structure

??MobileNet除了第一层是全卷积其他层的卷积都是使用Depthwise Separable convolutions，除了最后一层FC层数值直接送到softmax层之外，所有层后面都跟着BN层以及ReLU激活函数，一个average pooling层在FC层之前把空间卷积减为1。
下图为 Depthwise Separable convolution的结构：

技术分享图片

下表为一个MobileNet的整体结构：

技术分享图片

以下为文中的一些具体实行细节，自己经验不多，直接翻译来增加一些知识储备。

??非结构化的稀疏矩阵操作通常不比密集矩阵运算快，除非是非常稀疏的矩阵。我们的模型结构将几乎全部的计算复杂度放到了1x1卷积中。这可以通过高度优化的通用矩阵乘法（GEMM）功能来实现。通常卷积由GEMM实现，但需要在称为im2col的内存中进行初始重新排序，以将其映射到GEMM。这个方法在流行的Caffe包中正在使用。1x1的卷积不需要在内存中重新排序而可以直接被GEMM（最优化的数值线性代数算法之一）实现。MobileNet在1x1卷积花费了95%计算复杂度，也拥有75%的参数（见表二）。几乎所有的额外参数都在全连接层。

下图为不同层的参数量：

技术分享图片

??使用类似于InceptionV3的异步梯度下降的RMSprop，MobileNet模型在TensorFlow中进行训练。然而，与训练大模型相反，我们较少地使用正则化和数据增加技术，因为小模型不容易过拟合。当训练MobileNets时，我们不使用sideheads或者labelsmoothing，通过限制croping的尺寸来减少图片扭曲。另外，我们发现重要的是在depthwise滤波器上放置很少或没有重量衰减（L2正则化），因为它们参数很少。

4. Width Multiplier: Thinner Models

??加入一个超参数Width Multiplier \(\alpha\)来使得模型更小更快，用来对网络中的每一层进行“瘦身”（thin）。输入的通道\(M\)变为\(\alpha M\)输出的通道\(N\)变为\(\alpha N\)，因此加上Width Multiplier的cost为：
\[{D_K · D_K · \alpha M · D_F · D_F + \alpha M · \alpha N · D_F · D_F}\]
其中 \(\alpha \in (0, 1]\),Width multiplier有减少计算复杂度和参数数量（\(\alpha ^ 2\)）的作用。

5. Resolution Multiplier: Reduced Representation

??加入第二个超参数resolution multiplier \(\rho\)来统一减少输入图片跟中间每一层的特征。现在Depthwise Separable convolution 的计算量如下：
\[ D_K · D_K · \alpha M · \rho D_F · \rho D_F + \alpha M · \alpha N · \rho D_F · \rho D_F \]
??其中 \(\rho \in (0, 1]\) 通常网络的输入像素设为224， 192， 160， 128.另外 ,resolution multiplier 也有减少计算复杂度和参数数量（\(\rho ^ 2\)）的作用。