标签：作者 角度 就是 href filter 自己的 image 结果 inpu
介绍一下最近看的一种通用卷积核用于模型压缩的方法，刚刚查了一下，原作者的博客在https://zhuanlan.zhihu.com/p/82710870 有介绍，论文传送门 https://papers.nips.cc/paper/7433-learning-versatile-filters-for-efficient-convolutional-neural-networks.pdf ， github开源地址 https://github.com/huawei-noah/Versatile-Filters
下面介绍下我的理解。
这种模型压缩方法分为两步，一步是在spatial-wise的，一步是在channel-wise的，其实思想是一样的，这两步也就对应着我们平常一个filter， 假设是7x7x24x100，那么7x7对应的就是spatial-wise，24对应的就是channel-wise。24是input feature的深度，这个没法变就不管了。从spatial的角度来说，这100个input的filters，每个都是7x7x24，其实没有必要有100个，25个就可以了，怎么说呢？7x7的这个filter可以拆成7x7，5x5，3x3，1x1，就是4个子卷积核，那么其实有25个7x7x24的filter，就可以变换出100个filter了。这个7x7怎么拆呢？如下图，以5x5的为例，就是中间这个(b)图，5x5的卷积核就是最大的这个部分，3x3的子卷积核就是绿色加中间这个部分，其实是5x5的卷积核的一部分参数，相当于外面蓝色一圈填0，1x1的子卷积核就是中间这个红点点，这样三个子卷积核都是由5x5的卷积核变换而来，参数共享，其实在实际计算的时候，还可以实现计算共享，比起实际用3个5x5卷积核，计算量是要省的，参数大小也少了，memory的要求也降低了。
另一种就是channel-wise的压缩，基本思想跟上面的是完全一样的，这一次是在深度24这个方向上进行拆分，比如，1到22为一个子卷积核，3到24为一个子卷积核，这样就可以有两个卷积核了，结合上面的spatial-wise的压缩，就只要13个7x7x24的filter就可以了。与spatial-wise不同的是上一次出现了7x7卷积本尊，这一次没有24个channel的全的了。这样计算量也是要节省的，只有原来的22/24，并且中间还有一些结果是可以复用的，实际上会更省一些。
以上大概就是这个方法的精髓了。作者在图像分类和图像超分辨率几个经典网络上验证了自己的想法，证明了此方法的有效性。
=========================================
关于这个方法，我有一些疑问，其实这种方法降低了参数的自由度，那么他为什么还可以达到和之前的网络一样的效果？是不是之前的网络参数就有很多冗余，或者说其实这样的选取参数是有意义的，其实是基于某种先验。
标签：作者 角度 就是 href filter 自己的 image 结果 inpu
原文地址：https://www.cnblogs.com/sunny-li/p/11565136.html
