@w460461339 2018-08-27T03:11:26.000000Z 字数 3595 阅读 7161

轻量化模型：SqueezeNet，MobileNet，ShuffleNet以及Xception

MachineLearning

0、预备知识

首先需要对卷积过程有充分的了解。

参考：
https://blog.csdn.net/sscc_learning/article/details/79814146
https://blog.csdn.net/zhongkeli/article/details/51854619

简单而言，对于输入是 m*m*c的图像，卷积核大小是k*k，其输出是n*n*d，也表示卷积核的数量是d。其总参数是多少，总的乘法计算量是是多少？

总参数： c*k*k*d*q
总乘法计算量：c*k*k*n*n*d

简单来说是这样：

1、对于输出的feature-map上某一个channel的点，它经过如下两步得到：
    1.1 一号核大小为k*k，在输入图像的每个channel上都有对应有一个卷积核。
    1.2 每个channel的卷积完毕后，通过加法将每个channel上的内容加起来，就得到了最后的一个点。
    1.3 这样输出feature-map上每个点的计算量为 c*k*k
2、那么输出的feauter-map上有n*n*d个点，所以总共的乘法计算量是c*k*k*n*n*d

image_1cldinn071av1145118741q1f4731a.png-86.6kB

1、Squeeze-Net

参考：
https://blog.csdn.net/shenxiaolu1984/article/details/51444525#fn:1

1）squeeze-net的精髓就是下面这个结构：

在AlexNet中，通过两个3*3来替换掉了5*5。在squeeze-net中，这里主要是通过1*1和3*3相结合的方式来替换掉原来的3*3.

2）在整体网络设计方面，也用FCN替换掉了FC，节约了大量的参数。
倒数第二层是卷积层，得到一个m*m*1000的featurea-map，之后过一下average-pool，得到一个1*1*1000的向量，就是这个图在1000个类别方面的得分。
3）当然，它还用了一些deep-compression的方法，比如裁剪，量化和编码。
裁剪：设置阈值，对小于阈值的参数直接写0，然后用非零参数再次训练。
量化：对参数做聚类，然后每个类别的参数的梯度值相加，作用在聚类中心上。
编码：Huffman编码进一步压缩存储。

总结：

1、提出了一种新的结构，来对原先的网络进行修改。
2、使用FCN替代FC，减小参数数量。
3、使用deep-compression方法来进一步缩小模型。

问题：

1、对于5*5和两个3*3的计算量，我们可以比较一下。
2、我们假设输入图像大小是5*5*1,最终都需要将其变成1*1*1.
3、那么对于5*5的核（暂时用1个），我们的总参数是25，总的乘法计算数为1*5*5*1=25
4、而对于3*3的核（用1个），我们总参数是2*3*3=18.总的乘法计算数：
    4.1 5*5*1->3*3*1： 乘法计算数目为 1*3*3*3*3*1=81次。
    4.2 3*3*1->1*1*1： 乘法计算数目为 1*3*3*1*1*1=9次
    4.3 总共是90次（超多）

核大小	参数数目	计算量
5*5的核	25	25
3*3的核	18	90

但是…计算机读内存的速度比计算乘法的速度慢多了，所以我们宁愿多算几次，也不要多读一点内存数据。

2、Mobile-Net

Mobile-Net是后面两种net的爸爸啊…
参考：
https://blog.csdn.net/c20081052/article/details/80703896
https://blog.csdn.net/qq_25552539/article/details/79221129

还记得我们在预备知识里面说到了，CNN的详细计算过程：

1、核在输入feature-map上的每个channel做卷积。
2、卷积完成后，结果累加得到最终的值。

而Mobile-Net基于这两个过程提出了一种新的卷积思路（depthwise-separable-convolution）：

1、对于输入m*m*c的feature-map，我们给c个卷积核。
2、每个卷积核分别在一个channel上做卷积，得到了n*n*c（做padding的话就是m*m*c）的feature-map。
3、之后在n*n*c的feature-map上，做1*1的传统卷积，得到了最终的卷积成果。

image_1cldkvvd7d8h10tc1s7e17b18a33h.png-103kB

可以简单算一下,乘法计算量，对于输入是DF*DF*M,输出是DF*DF*N，核大小是DK*DK。

传统卷积：

M*DK*DK*DF*DF*N

MobileNet结构：

M*DF*DF*DK*DK+M*DF*DF*N

两者相比的结果：
image_1cldl6vj7e8b1ah3p91g3cvdk5e.png-7.2kB

嗯，这个就是这样啦。它的完整网络结果如下，其中dw表示的就是depthwise-separable-convolution：
image_1cldlaigbu2mk9o17cp190m1c6e5r.png-107.3kB

3、ShuffleNet

这个不知道为什么我看笑了…（应该是觉得这样都行啊…）
参考：
https://blog.csdn.net/u011511601/article/details/79633070

ShuffleNet是在ResNet上进行修改。

核心图：
image_1cldljqme1pb811t61r3g18uu196t68.png-329.2kB

1）基本思想：之前每个卷积核都要把所有的输入channel跑一遍太累了，现在我们分一下组。

详解：

1、假设有输入的feature-map是5*5*9的图。我们按照channel将其分为3组。
2、同样我们有12个卷积核，同样将其分为3组，每组负责对某一组channel进行卷积。
3、另外，如果一直这样分开，容易产生边缘效应。所以，对于每个channel内部，在卷积完了后，我们在分成若干个sub-group。
4、然后下一层的group就由上一层每个group中各取一个subgroup组成得到。

2）对ResNet的改进，见下图。

详解：

1、a图是直接用DepthWise-Separable替换掉了其中的传统3*3卷积。
2、b图把最开始的1*1卷积替换成了group-convolution+grou-shuffle结构。
3、c图就是把shortcut上直接传入改成了用3*3的AVG池化，strids=2，且最后不是加二十concat。

image_1cldmc80p5m7kt5msoij1ims6l.png-232.8kB

总结：

1、ShuffleNet的核心就是用pointwise group convolution，channel shuffle和depthwise separable convolution代替ResNet block的相应层构成了ShuffleNet uint，达到了减少计算量和提高准确率的目的。
2、channel shuffle解决了多个group convolution叠加出现的边界效应，
3、pointwise group convolution和depthwise separable convolution主要减少了计算量。

4、Xception

参考：
https://blog.csdn.net/u014380165/article/details/75142710

1）首先，我们简单梳理一下google inception的发展过程。
下图是最基本的inception，思路是我不知道那种提取特征的方式最好，索性都做一遍，然后concat一起，让网络去学习。

基于Figure1中的内容，提出的简化版的Inception。
image_1cldmpr828a4mnl73d7es12q8f.png-57.5kB

简单利用一下group的思路，就有的Figure3中的版本。首先是对全图做1*1的传统卷积，然后将channel分成3份，每一份过一遍传统的3*3传统卷积。最后再把结果concat一起。
image_1cldmqts11d61op41ebinv614i78s.png-158.5kB

然后，我们每一个channel配一个卷积核，就有了下图。
image_1cldn63h9uvdui818rl18in1vm7ap.png-158.5kB

2）那么对于Xception而言，它发现figure4的结构和depthwise-separable-convolution的做法很像，只不过一个先1*1传统卷积，再逐个channel做卷积；一个先逐个channel做卷积，然后在做1*1传统卷积。所以google就干脆用了depthwise-separable-convolution的结构。

另外，我们发现小块之间的连接采用的是ResNet的残差连接，而不是原来的concat。