【图像分类】2017-MobileNetV1 CVPR

论文题目：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

论文链接：论文原地址

论文代码：TensorFlow官方

视频讲解：https://www.bilibili.com/video/BV16b4y117XH

发表时间：2017年4月

引用：Howard A G, Zhu M, Chen B, et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications[J]. arXiv preprint arXiv:1704.04861, 2017.

引用数：14275

轻量化模型的内容

1. 前期准备

随着计算机视觉的准确率越来越高，到现在已经明显低于人类的失误率。但是这些都是随着网络越来越大，越来越臃肿实现的。精度这个碉堡已经被攻克，所以现在就另找一个方向，就是轻量化，把网络变的简单。

不适合实时边缘计算，比如无人驾驶场景。

然后，我们对所有操作所花费的时间，做一个时间计算，可以看出卷积操作花费的时间十分的长，所以MobileNet对卷积操作进行了优化。

轻量化的网络的角度和思路

2. 简介

2.1 摘要

MobileNets是为移动和嵌入式设备提出的高效模型。

MobileNets基于流线型架构(streamlined)，使用深度可分离卷积(depthwise separable convolutions,即Xception变体结构)来构建轻量级深度神经网络。

论文介绍了两个简单的全局超参数，可有效的在延迟和准确率之间做折中。这些超参数允许我们依据约束条件选择合适大小的模型。论文测试在多个参数量下做了广泛的实验，并在ImageNet分类任务上与其他先进模型做了对比，显示了强大的性能。论文验证了模型在其他领域(对象检测，人脸识别，大规模地理定位等)使用的有效性。

2.2 简介

深度卷积神经网络将多个计算机视觉任务性能提升到了一个新高度，总体的趋势是为了达到更高的准确性构建了更深更复杂的网络，但是这些网络在尺度和速度上不一定满足移动设备要求。MobileNet描述了一个高效的网络架构，允许通过两个超参数直接构建非常小、低延迟、易满足嵌入式设备要求的模型

2.3 相关工作

现阶段，在建立小型高效的神经网络工作中，通常可分为两类工作：

压缩预训练模型获得小型网络的一个办法是减小、分解或压缩预训练网络，例如量化压缩(product quantization)、哈希(hashing )、剪枝(pruning)、矢量编码( vector quantization)和霍夫曼编码(Huffman coding)等；此外还有各种分解因子(various factorizations )用来加速预训练网络；还有一种训练小型网络的方法叫蒸馏(distillation )，使用大型网络指导小型网络，这是对论文的方法做了一个补充，后续有介绍补充。

直接训练小型模型。 例如Flattened networks利用完全的因式分解的卷积网络构建模型，显示出完全分解网络的潜力；Factorized Networks引入了类似的分解卷积以及拓扑连接的使用；Xception network显示了如何扩展深度可分离卷积到Inception V3 networks；Squeezenet 使用一个bottleneck用于构建小型网络。

2.4 网络结构和训练

标准卷积和MobileNet中使用的深度分离卷积结构对比如下

注意：如果是需要下采样，则在第一个深度卷积上取步长为2.

MobileNet的具体结构如下(dw表示深度分离卷积)：

除了最后的FC层没有非线性激活函数，其他层都有BN和ReLU非线性函数.

我们的模型几乎将所有的密集运算放到$1\times 1$卷积上，这可以使用general matrix multiply (GEMM) functions优化。在MobileNet中有95%的时间花费在$1\times 1$卷积上,这部分也占了75%的参数：

剩余的其他参数几乎都在FC层上了。

在TensorFlow中使用RMSprop对MobileNet做训练，使用类似InceptionV3 的异步梯度下降。与训练大型模型不同的是，我们较少使用正则和数据增强技术，因为小模型不易陷入过拟合；没有使用side heads or label smoothing，我们发现在深度卷积核上放入很少的L2正则或不设置权重衰减的很重要，因为这部分参数很少。

3. V1文章亮点-深度分类卷积

深度分类卷积是对正常的卷积的优化，把一个步骤的卷积操作变成了2步

第一步是DW卷积，第二步是PW卷积

1) DW 卷积

一个卷积核对应一个通道，所以只对宽度和高度上的特征进行了提取，对通道上的信息不做任何树立

2) PW 卷积

pw卷积就是正常的卷积操作，但是卷积核的大小变成了$1\times 1$,作用是跨通道特征提取

3) 深度分类卷积示例

输入图片的大小为$(6,6,3)$,原卷积操作是用$(4,4,3,5)$的卷积。$(4\times 4)$是卷积核大小，$3$是卷积通道数，$5$表示卷积核数量，$stride=1$，没有padding,

输出特征为$\frac{6-4}{1}+1=3$，即呼出的特征映射为$(3,3,5)$

黑色的输入为$(6,6,3)$与第$n$个卷积核对应，每个通道对应每个卷积核通道卷积得到输出，最终输出为$2+0+1=3$(这是常见的卷积操作，注意这里卷积核要和输入的通道数相同，即图中表示的3个通道~)

对于深度分离卷积，把标准卷积$(4,4,3,5)$分解为

• 深度卷积部分，大小为$(4,4,1,3)$,作用在输入的每个通道上，输出特征映射为$(3,3,3)$
• 逐点卷积部分，大小$(1,1,3,5)$,作用在深度卷积的输出特征映射上，得到最终输出为$(3,3,5)$

输入有3个通道，对应着有3个大小为$(4,4,1)$的深度卷积核，卷积结果共有3个大小为$(3,3,1)$,我们按顺序将这卷积按通道排列得到输出卷积结果$(3,3,3)$

相比之下计算量减少了:

$4\times 4\times 3\times 5$转为了$4\times 4\times 1\times 3+1\times 1\times 3\times 5$即参数量减少了
$$\frac{4\times 4\times 1\times 3+1\times 1\times 3\times 5}{4\times 4\times 3\times 5}=\frac{21}{80}$$
MobileNet使用可分离卷积减少了8到9倍的计算量，只损失了一点准确度。

换成数字就是$D_k\cdot D_k\cdot M\cdot D_F\cdot D_f+M\cdot N\cdot D_F\cdot D_F=Depthwise+Pointwise$

$(D_k\cdot D_k)$就是一次卷积的乘法次数，

$(M\cdot D_F\cdot D_F)$输出feature map元素的个数

$(N\cdot D_F\cdot D_F)$输出的feature map元素的个数

参数量=$D_k\cdot D_k\cdot M+1\cdot 1\cdot M\cdot N$

原来参数量=$D_k\cdot D_k\cdot M\cdot N$

换个图解释一下

再换一张图

4. 代码

import time
import torch
import torch.nn as nn
import torch.backends.cudnn as cudnn
import torchvision.models as models
from torch.autograd import Variable


class MobileNet(nn.Module):
    def __init__(self, n_class=1000):
        super(MobileNet, self).__init__()
        self.nclass = n_class

        def conv_bn(inp, oup, stride):
            return nn.Sequential(
                nn.Conv2d(inp, oup, 3, stride, 1, bias=False),
                nn.BatchNorm2d(oup),
                nn.ReLU(inplace=True)
            )

        def conv_dw(inp, oup, stride):
            return nn.Sequential(
                nn.Conv2d(inp, inp, 3, stride, 1, groups=inp, bias=False),
                nn.BatchNorm2d(inp),
                nn.ReLU(inplace=True),

                nn.Conv2d(inp, oup, 1, 1, 0, bias=False),
                nn.BatchNorm2d(oup),
                nn.ReLU(inplace=True),
            )

        self.model = nn.Sequential(
            conv_bn(3, 32, 2),
            conv_dw(32, 64, 1),
            conv_dw(64, 128, 2),
            conv_dw(128, 128, 1),
            conv_dw(128, 256, 2),
            conv_dw(256, 256, 1),
            conv_dw(256, 512, 2),
            conv_dw(512, 512, 1),
            conv_dw(512, 512, 1),
            conv_dw(512, 512, 1),
            conv_dw(512, 512, 1),
            conv_dw(512, 512, 1),
            conv_dw(512, 1024, 2),
            conv_dw(1024, 1024, 1),
            nn.AvgPool2d(7),
        )
        self.fc = nn.Linear(1024, self.nclass)

    def forward(self, x):
        x = self.model(x)
        x = x.view(-1, 1024)
        x = self.fc(x)
        return x


def speed(model, name):
    t0 = time.time()
    input = torch.rand(1, 3, 224, 224).cuda()  # input = torch.rand(1,3,224,224).cuda()
    input = Variable(input, volatile=True)
    t1 = time.time()

    model(input)

    t2 = time.time()
    for i in range(10):
        model(input)
    t3 = time.time()

    torch.save(model.state_dict(), "test_%s.pth" % name)
    print('%10s : %f' % (name, t3 - t2))


if __name__ == '__main__':
    # cudnn.benchmark = True # This will make network slow ??
    resnet18 = models.resnet18(num_classes=2).cuda()
    alexnet = models.alexnet(num_classes=2).cuda()
    vgg16 = models.vgg16(num_classes=2).cuda()
    squeezenet = models.squeezenet1_0(num_classes=2).cuda()
    mobilenet = MobileNet().cuda()

    speed(resnet18, 'resnet18')
    speed(alexnet, 'alexnet')
    speed(vgg16, 'vgg16')
    speed(squeezenet, 'squeezenet')
    speed(mobilenet, 'mobilenet')

参考资料

轻量级网络–MobileNet论文解读_DFann的博客-CSDN博客_mobilenet论文