ShuffleNetV2：高效网络的4条实用准则

转自：CVer

2018年 清华大学&Face++ Ningning Ma
提出指导高效CNN网络设计的4种方案，并改进了shufflenetv1

论文：ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design

arXiv：https://arxiv.org/abs/1807.11164

1. 背景介绍

在高效网络上（特别是移动端），网络必须在有限的计算能力中达到最优的精度。目前很多论文研究着 轻量级架构设计和速度-精度的权衡。

比如Xception、MobileNet、MobileNetv2、ShuffleNet、CondenseNet等等。在这些有效的网络结构中，Group Convolution(组卷积) 和 Depth-wise convolution（深度卷积） 起到关键性作用。

1. 组卷积 Group Convolution： 将feature map拆分成几组，分别进行卷积，最后再将卷积结果的feature map 合并. 最早在AlexNet中出现。因为当时GPU内存有限，逼迫将feature map拆分到两个GPU上分别卷积再融合。 2. 深度卷积 Depth-wise convolution： 对每一个通道进行各自的卷积，输出相同的通道数，再用进行跨通道的标准

卷积来融合信息。Xception 就是典型的代表 3. 极大减少了参数，性能还有点提高（未知有无理论证明能完全替代普通卷积）。Alex认为组卷积实现类似正则的作用。

速度(Speed)是直接指标，但不同设备不好比较， 故以往常用 FLOPs（乘或加的次数）来度量复杂度。但FLOP是一种间接指标，它不能直接作为评判的标准（如Mobilev2和Nasnet相比，他们的Flops相似，但是前者快很多）。

个人体会： 在WRN和Resnet上，WRN的Flops和参数量远大于Resnet情况下，WRN比Resnet快很多。且ResNext比WRN慢很多。shufflenetv2论文中在两种硬件环境中测试四种不同速度和FLOPs的网络结构。观察知道FLOPs不能替代Speed这评判指标。

间接指标(Flops)和直接指标（速度）之间存在差异有两种：

• 1. 对速度影响较大的因素，但没有影响到FLOPs。
  • 如内存访问成本(MAC, memory access cost),它在如组卷积中占大量运行时间，导致MAC是瓶颈。
  • 又如并行度(degree of parallelism)，FLOPs相同情况下，高并行的模型可能会快很多。
• 2. 运行平台不同。
  • 相同的FLOPs的运算在不同的平台上运行也会导致速度差异。
  • 如以前会采用张量分解来加速矩阵乘法，但张量分解在GPU上运行会慢很多。作者调查发现最近的CUDNN库中有专门为

  

  卷积进行了优化，也就是说张量分解后的运行速度有可能慢与优化库中的张量乘法。

于是作者认为高效网络架构的设计应该考虑两个基本原则：

• 1 用直接指标（如速度）评估，而不是间接指标（如Flops)。
• 2 在同一环境平台上进行评估。

论文也是按照这两个原则，对多种网络（包括shufflenetv2)进行评估。

2. 高效网络设计的4条实用准则

作者发现 组卷积和深度卷积是目前较优网络的关键，且FLOPs数仅和卷积有关。虽然卷积操作耗费大量时间，但是其他内部过程如 I/O、data shuffle、element-wise操作(Add、ReLU等)都会耗费一定的时间。

作者提出设计高效网络的4条准则：

• G1 相同通道宽度可以最小化内存访问成本MAC。
• G2 过多的组卷积会增加内存访问成本MAC
• G3 网络内部碎片操作会降低并行度
• G4 Element-wise操作不容忽视

G1 相同通道宽度可以最小化内存访问成本MAC

考虑无bias的

卷积。如果输入的通道数为

, 卷积后输出通道数为

. 让

分别表示feature map的高和宽。假设cache足够大。

那么普通卷积的Flops数为

则

.

tips:

为这两层各自的输出值(activate)，

为两层间卷积核的参数量。

则得出：

tips:

上面不等式指出，同FLOPs情况下，如果相邻两层它们的通道数相等时，MAC将达到最小值。文中采用简单两层卷积网络，实验验证了这结果。

但是实际情况下G1的前提条件“cache足够大”不一定满足。设备缓存不够大时很多计算库会采用复杂的缓存机制，这会导致MAC值和理论值有偏差。

G2 过多的组卷积会增加内存访问成本MAC

组卷积能够大量减少FLOPs，也成功被应用于多种优秀网络。

延续G1中的符号定义及公式，此处的FLOPs为

,则

tips:

,

从式子看出，若组卷积的组数

增加，则 MAC 也会增大。故太多的组卷积会增加内存访问成本。

文中采用控制变量法实验验证了这准则。

G3 网络内部碎片操作会降低并行度

碎片(Fragmentation)是指多分支上，每条分支上的小卷积或pooling等（如外面的一次大的卷积操作，被拆分到每个分支上分别进行小的卷积操作）。

如在NasNet-A就包含了大量的碎片操作，每条分支都有约13个操作，而ResnetV1上就只有2或3个操作。虽然这些Fragmented sturcture能够增加准确率，但是在高并行情况下降低了效率，增加了许多额外开销（内核启动、同步等等）。

文中采用控制变量实验验证了这准则。

G4 Element-wise操作不容忽视

Element-wise操作指的是 ReLU、AddTensor、AddBias等等。虽然这些操作只增加了一点点FLOPs，但是会带来很高的MAC，尤其是Depthwise Convolution深度卷积。

文中采用‘bottleneck’单元，进行了一系列对比实验，验证了这准则。

G1-G4的总结：

• 平衡相邻层的卷积核数
• 留意组卷积带来的开销
• 减少碎片化的程度
• 减少Element-wise操作

讨论其他的网络：

• ShuffleNet-V1 严重依赖组卷积，违背了G2。
• Bottleneck结构违背了G1
• MobileNet-V2 采用了反转bottleneck（违背了G1），且用到了Depth-wise、以及在feature map上采用relu这些trick，违背了G4.
• 自动搜索生成的网络结构（如NasNet）有很高的碎片，违背了G3.

3. ShuffleNet V2 架构

基于上面种种分析，作者着手改进ShuffleNet V1。

首先ShuffleNetV1是在给定的计算预算（FLOP）下，为了增加准确率，选择采用了 逐点组卷积 和 类似瓶颈的结构，且还引入了 channel shuffle操作. 如下图的(a)、(b)所示。

很明显，逐点组卷积 和 类似瓶颈的结构 增加了MAC（违背G1和G2），采用了太多组卷积违背了G3， ‘Add’ 操作违背了G4，因此关键问题在于如何保持大量同宽通道的同时，让网络非密集卷积也没太多组卷积。

DWConv：深度卷积 (depthwise convolution), GConv：组卷积 (group convolution)

ShuffleNetV2 引入通道分割（channel split）操作, 将输入的feature maps分为两部分

和

. 根据G3， 一个分支为shortcut流，另一个分支含三个卷积（且三个分支的通道数一样，满足G1）。满足G2：两个

卷积不采用组卷积操作，因为前面的通道分割已经做了分组，降低了组数。

之后分支合并采用拼接（concat），让前后的channel数一样(满足G1). 然后再进行Channel Shuffle（完成和ShuffleNetV1一样的功能）。

shuffle后，以往的ShuffleNetV1是再接一个ReLu（Element-wise）操作，此处将其移到卷积分支中。另外三个连续的Element-wise操作：通道分割、concat、shuffle合并成一个Element-wise操作，这满足了G4. 具体看图(c).

ShuffleNetV2 的空间下采样模块经过些修改，去掉了通道分割，输出的通道数翻倍。详情看图(d).

这是合理的做法，因为下采样后，feature map的尺寸降低了，通道数翻倍是自然的。

4. 讨论

ShuffleNet-V2 不仅高效，还高精度。论文中指出导致的原因有：

• 每个构建块都很高效，从而能利用更多的feature maps 和 更大的网络容量
• 特征重用(feature reuse)
  • 因为通道分割，从而有一半(论文设置为

  

  )的特征直接传到下一个模块中。

  • 这和DenseNet 以及CondenseNet 思想相近。
  • DenseNet分析feature reuse模式发现，越相近的模块，它们的传来的shortcut特征的重要性越大。CondenseNet也支持类似的观点。
  • ShuffleNet-V2也是符合这样的观点, 特征重用信息随着两个模块间的距离呈指数衰减。即

  

  层的feature maps中，含有

  

  层feature maps数为

  

  ，其中

  

  为

  

  层的feature maps数，

  

  为通道分割的参数，论文设为

  

  .

此篇论文实属业界良心，从源头分析每一步会造成的开销，从理论分析，到控制变量法做足实验，总结出 4 条准则，指导大家设计更高效的网络。

G1准则（相同通道宽度）从VGG、Resnet后大家几乎都默认遵循了， 而G2准则（组卷积问题）很多网络在违背着。主要是组卷积能够提高准确率，但很有意思的是，用了组卷积速度会慢很多，但直到shuffnetv2才开始分析原因（存疑，笔者没找到更早的关于组卷积会变慢的分析）。

而组卷积为什么会变好？“Alex认为group conv的方式能够增加filter之间的对角相关性，而且能够减少训练参数，不容易过拟合，这类似于正则的效果。” 参考自对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解。https://blog.csdn.net/Chaolei3/article/details/79374563

至于G3准则（碎片操作），文中主要还是对 自主搜索网络结构 方面的工作（如NasNet 进行批判）。这或许可以在自主搜索网络结构方面加上相应的损失函数，从而让搜索出的网络结构除了高准确率外，还具备高效的能力。

违背G4准则（Element-wise操作）是必不可免的。毕竟基于优秀网络上的改进，很多是增加一些Element-wise操作，从而获得准确率的提升。但ShuffleNetV2告诉了我们，Element-wise操作可以简化（如relu的移位）。

且如果让网络变得精简的话，这可能会让网络获得意想不到的提升，比如WRN就打败了很多花里胡哨。

论文还提到特征重用(Feature reuse)， 用上了特征重用的方法后效果会提升（Densenet、DPN、残差金字塔之类等等）。之后需要多了解这方面的论文和方法。

猜您喜欢

往期精选▼

1. 用python实现“桶排序”

2. 用Python来点高逼格的，用 python 拟合等角螺线

3. tqdm模块无法单行打印进度条

4. 空洞卷积(dilated convolution)深入详解——优点与缺点

5. 轻量级神经网络系列——MobileNet V3