论文地址：https://arxiv.org/pdf/1812.01187.pdf

更多方法和代码可见：图像分类任务中的tricks总结

                                    更多更全的tricks补充（补充链接也是福利满满~）

目录

2 训练过程（baseline复现原文精度，作为下面的基础）

3 高效训练（大BS为出发，但部分小BS也适用）（效率改进）

3.1 大批量训练（主要是学习率）

3.1.1 线性扩展学习率

3.1.2 学习率预热（warmup）+0.8%

3.1.3 Zero γ +0.4%

3.1.4 无偏衰减 -0.3%（预防过拟合）

3.2 低精度训练（相对于无偏衰减+0.2%）

3.3 实验结果分析

4 模型变体（模型上改进）

经典ResNet 架构重温

改进版本（一个比一个精度高）

5 训练方法改进

5.1 余弦学习率衰减（pytorch有）

5.2 标签平滑（带代码）

5.3 知识蒸馏（模型压缩中的）

5.4 混合训练

5.5 实验结果

6 迁移学习

综述：我们可以看到作者从普通的tricks，随机翻转这些出发。构造baseline证明了，作者复现的精度是可信的。然后在此基础上，考虑高效率的训练，大BS为背景,主要从学习率角度出发改进，之后改进了ResNet,然后又说了一些训练方法的技巧。

2 训练过程

实验实现建立第一个baseline，利用下面的6个步骤，小批量 SGD。下图中reference是模型在其原文中的精度。发现利用下面baseline的方法，复现精度左右稍有偏差，合情合理。

1. 随机采样一张图片，并解码为 32 位的原始像素浮点值，每一个像素值的取值范围为 [0, 255]。

2. 随机以 [3/4, 4/3] 为长宽比、[8%, 100%] 为比例裁减矩形区域，然后再缩放为 224*224 的方图。

3. 以 0.5 的概率随机水平翻转图像。

4. 从均匀分布 [0.6, 1.4] 中抽取系数，并用于缩放色调和明亮度等。

5. 从正态分布 N (0, 0.1) 中采样一个系数，以添加 PCA 噪声。

6. 图像分别通过减去（123.68, 116.779, 103.939），并除以（58.393, 57.12, 57.375）而获得经归一化的 RGB 三通道。

除此之外，我们学习一下自定义初始化～～附赠：

1.  
       for m in self.modules():
2.  
               if isinstance(m, nn.Conv2d):
3.  
                   n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels
4.  
                   m.weight.data.normal_(0, math.sqrt(2. / n))
5.  
               elif isinstance(m, sn.SwitchNorm2d):##SN层的
6.  
                    m.weight.data.fill_(1)
7.  
                    m.bias.data.zero_()

表 2：文献中实现的验证准确率与我们基线模型的验证准确率，注意 Inception V3 的输入图像大小是 299*299。

3 高效训练（大BS为出发，但部分小BS也适用）

随着 GPU 等硬件的流行，很多与性能相关的权衡取舍或最优选择都已经发生了改变【例如下面的低精度训练】。在这一章节中，我们研究了能利用低精度和大批量训练优势的多种技术，它们都不会损害模型的准确率，甚至有一些技术还能同时提升准确率与训练速度。

3.1 大批量训练

对于凸优化问题，随着批量的增加，收敛速度会降低。对于相同数量的 epoch，大批量训练的模型与使用较小批量训练的模型相比，验证准确率会降低。因此有很多方法与技巧都旨在解决这个问题：

3.1.1 线性扩展学习率

思路：原先BS（batchsize）大的时候，因为凸优化，收敛速度变慢收缩的慢，1000那我可以不可以提高学习率，让收敛的快些呢？

理论依据：BS增大，mini-batch梯度的噪声减少，随机梯度的期望不变，但是方差降低，因此初试学习率可以变大。

实际方法：0.1*bs/256 【对应的，传统的bs=256，初试学习率为0.1，在30 60 90 各变为原来的0.1倍】

3.1.2 学习率预热（warmup）+0.8%

为什么：因为刚开始训练，所有的参数都是初始化的结果，离最终差很远，如果采用太大的学习率，容易导致numerical instability

怎么办：在刚开始训练用小学习率预热一下，知道训练稳定后，再变成初始学习率。具体方法：假设初始学习率为0.1，决定让前4个epoch作为预热，那么，学习率分别设置为0.1*i/5，i表示epoch，当然我自己觉得不用那么多预热，我也可以设置前4000个分别为0.02,0.04,0.06 0.08
 

3.1.3 Zero γ +0.4%

γx ^ + β.

原理：注意 ResNet 块的最后一层可以是批归一化层（BN）。在 zero γ启发式方法中，我们对所有残差块末端的 BN 层初始化γ=0。因此，所有的残差块仅返回输入值，这相当于网络拥有更少的层，在初始阶段更容易训练。

操作：普通的BN初始化，γ=1，β=0，残差块末端BN的γ=0，β=0。

我不懂的地方，请教诸神一下。到底对应的是下面的哪一个啊，是右边残差块，最下面的一个BN吗？

3.1.4 无偏衰减 -0.3%

无偏衰减启发式方法仅应用权重衰减到卷积层和全连接层的权重，其它如 BN 中的γ和β都不进行衰减。原理类似于L2正则化，防止权重过拟合。（具体我也不清楚）

3.2 低精度训练（相对于无偏衰减+0.2%）

训练更快，有时候甚至更准。。由于硬件的原因和TFLOPS有关。

一般我们用到的是float point 32（FP32），由于硬件的更新，导致FP16，速度会快2-3倍。但是FP32的还没有针对增强。

然而，新硬件可能具有增强的算术逻辑单元以用于较低精度的数据类型。尽管具备性能优势，但是精度降低具有较窄的取值范围，因此有可能出现超出范围而扰乱训练进度的情况。

所以存储参数和计算梯度用FP16，参数更新用，复制了的FP32格式的。【有点不明白，求更清楚的解说】

表 3：ResNet-50 在基线（BS = 256 与 FP32）和更高效硬件设置（BS = 1024 与 FP16）之间的训练时间和验证准确率的比较。

3.3 实验结果分析

注意哈，上面所有的实验都是验证BS大的情况，所以先看BS=1024的情况，BS=256 是对看的。

初试学习率BS=1024对应的是0.4（线性扩展学习率算来的），就算经过了他，BS大的还是比小的-0.9%，要不用估计会更低。

可以看出无偏衰减没卵用啊，对于大的BS,FP16有用，小的不管用。不考虑大BS的话，我们能常用到的就是第二个和第三个了。

4 模型变体

经典ResNet 架构重温

我们将简要介绍 ResNet 架构，特别是与模型变体调整相关的模块。ResNet 网络由一个输入主干、四个后续阶段和一个最终输出层组成，如图 1 所示。输入主干有一个 7×7 卷积，输出通道有 64 个，步幅为 2，接着是 3 ×3 最大池化层，步幅为 2。输入主干（input stem）将输入宽度和高度减小 4 倍，并将其通道尺寸增加到 64。

从阶段 2 开始，每个阶段从下采样块开始，然后是几个残差块。在下采样块中，存在路径 A 和路径 B。路径 A 具有三个卷积，其卷积核大小分别为 1×1、3×3 和 1×1。第一个卷积的步幅为 2，以将输入长度和宽度减半，最后一个卷积的输出通道比前两个大 4 倍，称为瓶颈结构。路径 B 使用步长为 2 的 1×1 卷积将输入形状变换为路径 A 的输出形状，因此我们可以对两个路径的输出求和以获得下采样块的输出。残差块类似于下采样块，除了仅使用步幅为 1 的卷积。

我们可以改变每个阶段中残差块的数量以获得不同的 ResNet 模型，例如 ResNet-50 和 ResNet-152，其中的数字表示网络中卷积层的数量。

改进版本（一个比一个精度高）

1*1的卷积，最好不用于stride=2，降低特征图尺寸用，原文说会丢失3/4的信息（但是精度为什么没有降很多呢？）

resnet-B 就把降低特征图尺寸的任务交给了3*3的卷积。

resnet-C 把最开始的7*7*64大卷积换成下面图中的表示，红体字表示channel。ResNet-50-C这种修改，虽然对计算量影响不大，不过根据我的经验，对速度的影响应该会比较大。

resnet-D 不用1*1的卷积降低特征图尺寸用，用到的x部分。

图 2：三个 ResNet 变体。ResNet-B 修改 ResNet 的下采样模块。ResNet-C 进一步修改输入主干。在此基础上，ResNet-D 再次修改了下采样块。

表 5：将 ResNet-50 与三种模型变体进行模型大小（参数数量）、FLOPs 和 ImageNet 验证准确率（top-1、top-5）的比较。

5 训练方法改进

5.1 余弦学习率衰减（pytorch有）

pytorch：scheduler = optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=5,eta_min=4e-08)

传统的两种衰减：

He et al. [9] decreases rate at 0.1 for every 30 epochs, we call it “step decay”. Szegedy et al. [26]
decreases rate at 0.94 for every two epochs

Loshchilov 等人 [18] 提出余弦退火策略，其简化版本是按照余弦函数将学习速率从初始值降低到 0。假设批次总数为 T（忽略预热阶段），然后在批次 t，学习率η_t 计算如下：

5.2 标签平滑（带代码）

补充：在这里学习到论文里说到的两个迭代之间相差0.94倍。

标签平滑的想法首先被提出用于训练 Inception-v2 [26]。它将真实概率的构造改成：

其中ε是一个小常数，K 是标签总数量。

图 4：ImageNet 上标签平滑效果的可视化。顶部：当增加ε时，目标类别与其它类别之间的理论差距减小。下图：最大预测与其它类别平均值之间差距的经验分布。很明显，通过标签平滑，分布中心处于理论值并具有较少的极端值。

1.  
   # -*- coding: utf-8 -*-
2.  
    
3.  
   """
4.  
   qi=1-smoothing(if i=y)
5.  
   qi=smoothing / (self.size - 1) (otherwise)#所以默认可以fill这个数，只在i=y的地方执行1-smoothing
6.  
   另外KLDivLoss和crossentroy的不同是前者有一个常数
7.  
   predict = torch.FloatTensor([[0, 0.2, 0.7, 0.1, 0],
8.  
    
9.  
   [0, 0.9, 0.2, 0.1, 0],
10.  
     
11.  
    [1, 0.2, 0.7, 0.1, 0]])
12.  
    对应的label为
13.  
    tensor([[ 0.0250, 0.0250, 0.9000, 0.0250, 0.0250],
14.  
    [ 0.9000, 0.0250, 0.0250, 0.0250, 0.0250],
15.  
    [ 0.0250, 0.0250, 0.0250, 0.9000, 0.0250]])
16.  
    区别于one-hot的
17.  
    tensor([[ 0., 0., 1., 0., 0.],
18.  
    [ 1., 0., 0., 0., 0.],
19.  
    [ 0., 1., 0., 0., 0.]])
20.  
    """
21.  
    import torch
22.  
    import torch.nn as nn
23.  
    from torch.autograd import Variable
24.  
    import matplotlib.pyplot as plt
25.  
    import numpy as np
26.  
     
27.  
     
28.  
    class LabelSmoothing(nn.Module):
29.  
    "Implement label smoothing. size表示类别总数 "
30.  
     
31.  
    def __init__(self, size, smoothing=0.0):
32.  
     
33.  
    super(LabelSmoothing, self).__init__()
34.  
     
35.  
    self.criterion = nn.KLDivLoss(size_average=False)
36.  
     
37.  
    #self.padding_idx = padding_idx
38.  
     
39.  
    self.confidence = 1.0 - smoothing#if i=y的公式
40.  
     
41.  
    self.smoothing = smoothing
42.  
     
43.  
    self.size = size
44.  
     
45.  
    self.true_dist = None
46.  
     
47.  
     
48.  
     
49.  
    def forward(self, x, target):
50.  
    """
51.  
    x表示输入 (N，M)N个样本，M表示总类数，每一个类的概率log P
52.  
    target表示label（M，）
53.  
    """
54.  
    assert x.size(1) == self.size
55.  
    true_dist = x.data.clone()#先深复制过来
56.  
    #print true_dist
57.  
    true_dist.fill_(self.smoothing / (self.size - 1))#otherwise的公式
58.  
    #print true_dist
59.  
    #变成one-hot编码，1表示按列填充，
60.  
    #target.data.unsqueeze(1)表示索引,confidence表示填充的数字
61.  
    true_dist.scatter_(1, target.data.unsqueeze(1), self.confidence)
62.  
     
63.  
    self.true_dist = true_dist
64.  
     
65.  
    return self.criterion(x, Variable(true_dist, requires_grad=False))
66.  
     
67.  
    if __name__=="__main__":
68.  
    # Example of label smoothing.
69.  
     
70.  
    crit = LabelSmoothing(size=5,smoothing= 0.1)
71.  
    #predict.shape 3 5
72.  
    predict = torch.FloatTensor([[0, 0.2, 0.7, 0.1, 0],
73.  
     
74.  
    [0, 0.9, 0.2, 0.1, 0],
75.  
     
76.  
    [1, 0.2, 0.7, 0.1, 0]])
77.  
     
78.  
    v = crit(Variable(predict.log()),
79.  
     
80.  
    Variable(torch.LongTensor([2, 1, 0])))
81.  
     
82.  
    # Show the target distributions expected by the system.
83.  
     
84.  
    plt.imshow(crit.true_dist)
85.  
     
86.  
     
87.  
     

调用的时候注意

1.  
   module的init函数里面，fc后面要加上LogSoftmax函数，因为KLV要求输入log概率
2.  
   self.Logsoftmax=nn.LogSoftmax()
3.  
   forward函数里
4.  
           x = self.fc(x)
5.  
           x=self.Logsoftmax(x)

5.3 知识蒸馏（模型压缩中的）

在知识蒸馏 [10] 中，我们使用教师模型来帮助训练当前模型（被称为学生模型）。教师模型通常是具有更高准确率的预训练模型，因此通过模仿，学生模型能够在保持模型复杂性相同的同时提高其自身的准确率。一个例子是使用 ResNet-152 作为教师模型来帮助训练 ResNet-50。

5.4 混合训练

在混合训练（mixup）中，每次我们随机抽样两个样本 (x_i,y_i) 和 (x_j,y_j)。然后我们通过这两个样本的加权线性插值构建一个新的样本，训练只在新样本中训练：

其中 λ∈[0,1] 是从 Beta(α, α) 分布提取的随机数。在混合训练中，我们只使用新的样本 (x hat, y hat)。

5.5 实验结果

表 6：通过堆叠训练改进方法，得到的 ImageNet 验证准确率。基线模型为第 3 节所描述的。

作者之后又在另外一个数据集上试了下，证明可以。

6 迁移学习

自 2012 年 AlexNet 大展神威以来，研究者已经提出了各种卷积架构，包括 VGG、NiN、Inception、ResNet、DenseNet 和 NASNet 等，我们会发现模型的准确率正稳定提升。

但是现在这些提升并不仅仅来源于架构的修正，还来源于训练过程的改进：包括损失函数的优化、数据预处理方法的提炼和最优化方法的提升等。在过去几年中，卷积网络与图像分割出现大量的改进，但大多数在文献中只作为实现细节而简要提及，而其它还有一些技巧甚至只能在源代码中找到。

在这篇论文中，李沐等研究者研究了一系列训练过程和模型架构的改进方法。这些方法都能提升模型的准确率，且几乎不增加任何计算复杂度。它们大多数都是次要的「技巧」，例如修正卷积步幅大小或调整学习率策略等。总的来说，采用这些技巧会产生很大的不同。因此研究者希望在多个神经网络架构和数据集上评估它们，并研究它们对最终模型准确率的影响。

研究者的实验表明，一些技巧可以显著提升准确率，且将它们组合在一起能进一步提升模型的准确率。研究者还对比了基线 ResNet 、加了各种技巧的 ResNet、以及其它相关的神经网络，下表 1 展示了所有的准确率对比。这些技巧将 ResNet50 的 Top-1 验证准确率从 75.3％提高到 79.29％，还优于其他更新和改进的网络架构。此外，研究者还表示这些技巧很多都可以迁移到其它领域和数据集，例如目标检测和语义分割等。