CW，广东深圳人，毕业于中山大学（SYSU）数据科学与计算机学院，毕业后就业于腾讯计算机系统有限公司技术工程与事业群（TEG）从事Devops工作，期间在AI LAB实习过，实操过道路交通元素与医疗病例图像分割、视频实时人脸检测与表情识别、OCR等项目。
目前也有在一些自媒体平台上参与外包项目的研发工作，项目专注于CV领域（传统图像处理与深度学习方向均有）。
轻量化网络是深度学习领域的研究热点之一，其目标是在网络的参数量少、训练和预测速度快的情况下又能够保持一定的准确率，以下是一些常用的减少网络计算量的方法：1. 网络模型设计：使用组卷积（Group Conv）、1x1 卷积（Ponit-Wise Conv）等在达到相同（或近似）效果的同时减少计算量，类似的案例如 Inception、Xception、ShuffleNet 以及本文的主角MobileNet等；2. 剪枝：通过剪去网络中的冗余部分来减少网络计算量；3. 知识蒸馏：利用大模型（Teacher-Model）来辅助小模型（Student-Model）学习，从而在小模型上达到目标效果。MobileNet是Google的作品，能够将模型部署应用于移动端，同时又保证良好的效果，目前Google Pixel 系列的手机就是用的MobileNet。MobileNet目前更新到了v3版本，CW参考和收集了网上的资料及博文，在本文中会从v1到v3都进行解读，供大家参考学习。如有不当之处，尽管反馈，大家一起学习与进步，欢迎交流，谢谢！v1的主要工作是将标准的卷积过程拆为两个步骤 —— Depth-Wise Conv 和 Point-Wise Conv，并且引入2个超参，减少了计算量并且模型也更小，从而可以轻松地匹配移动和嵌入式视觉应用的设计要求。
1. 对标准卷积层的改进 —— Depth-Wise Conv 和 Point-Wise Conv
Depth-Wise Conv（简称dw），也称深度可分离卷积，它将卷积核的每个通道分别应用于输入特征图的每个通道（这样，输入和输出的通道数维持一致），而非如标准卷积般将输入特征图的所有通道加权组合在一起。Point-Wise Conv（简称pw）, 也称逐点卷积，它使用1x1大小的卷积核，用于组合深度可分离卷积的输出结果（将深度可分离卷积的输出通道数映射到目标通道数）。标准卷积将提取空间特征和通道之间的相关性组合在一起，而MobileNet将其分解为Depth-Wise + Point-Wise，这样的效果是先基于各个通道提取空间特征（空间相关性），之后再组合通道之间的相关性，这种因式分解操作具有大幅度减少计算和模型大小的效果。为何说这样能够减少计算量？根据上图，举个例子动手计算下才有说服力（下文均使用 channel first 惯例，所谓的计算量指乘法次数）：(a) 表示标准卷积的过程：有N个卷积核，每个卷积核维度是M x
x
，输入特征图的通道数是M，输出特征图维度为N x
x
，计算量为
(b) 表示dw的过程：用M个维度为1 x
x
的卷积核去卷积对应输入特征图的M个通道，得到M个输出结果，注意这M个结果不会进行相加（相比标准卷积是卷积输入特征图的所有通道，并累加这M个结果），输出结果的维度是
，这时计算量为
；
(c) 表示pw的过程：用N个维度为M*1*1的卷积核卷积上述(b)的输出结果，最终得到维度为
的 feature map。这个过程和普通卷积无异，只是卷积核大小为1 x 1，此时计算量是
。
(b) + (c) 总共的计算量是
，我们拿它除以标准卷积 (a)的计算量，来看看缩减了多少：
也就是说，如果使用将我们最常使用的3x3标准卷积分解为dw+pw，那么计算量将缩减为原来的1/9有多！根据paper原文的意思，有些点还需要提下：MobileNet在每一层均使用BN和ReLU两种非线性变换；与标准卷积相比，dw非常有效。然而，它只会滤除输入通道，不会将它们组合起来以创建新功能。因此，需要通过pw来计算深度卷积输出的线性组合的附加层来生成这些新特征。标准卷积层 vs MobileNet的dw+pw卷积层记宽度乘数为α，其作用是在每层均匀地减薄网络。对于给定的层和宽度乘数α，输入通道M的数量变为αM，输出通道数量N变为αN。再拿上述例子来说，使用了宽度乘数后，dw+pw的计算量为：
，通常
设置为0.75。
这个超参通常隐式设置，应用于输入图像，以降低分辨率，记其为
。
同样地，拿上述例子来说，在使用了宽度乘数的基础上，进一步使用分辨率乘数后，dw+pw的计算量为：
最后来看下MobileNetv1的整体架构，总共28个卷积层（conv+bn+relu），第1个和最后1个都是标准卷积层，中间13个是dw+pw卷积层（dw+pw算作1个卷积层）附：MobileNetv1 paper （文末可领取原论文）回顾下MobileNetv1的骚操作——首先利用3×3的深度可分离卷积提取空间特征，然后利用1×1的逐点卷积来组合通道特征，同时映射到目标通道数。这样既减少了参数量、计算量，同时又提高了网络运算速度，还能得到一个接近于标准卷积的不错的结果，看起来十分美好。不少炼丹者在实际使用过程中， 发现深度卷积部分的卷积核被废掉了——训练完之后发现深度卷积核有不少是空的！于是，作者赶紧再发一篇paper（心想：本来想坑你们一把，没想到这么快就被识破了，不好玩 ！），把锅甩给了ReLU（ReLU内心独白：我太难了！），同时，MobileNetv2也诞生了（此刻脑补众炼丹者们内心：也不知道是不是新挖的坑...）。在MobileNetv2的paper中，作者举出一个充分必要条件将锅“合乎所以然”地甩给了ReLU——将低维流形映射到高维空间后使用ReLU变换再复原的例子：如上图，在2维空间有一组由m个点组成的螺旋线Xm数据(上图input)，利用随机矩阵T映射到n维空间上并进行ReLU运算：这时，再利用随机矩阵T的逆矩阵
，将y映射回2维空间中：
最后，根据映射到不同维度空间的情况，对比下逆映射后的结果与原始输入：可以看到，当映射到2、3维空间（n = 2, 3）时，与原始输入input相比有很大一部分的信息已经丢失了；而映射到15、30维空间（n = 15, 30）时，还有许多信息能被保留下来。这就是说，在低维度空间下与ReLU拥抱（做ReLU运算），很容易造成信息丢失；而在高维度的情况下，信息丢失则相对没那么严重。这就解释了为什么dw的卷积核有不少是空，因为dw本身不会改变通道数，如果输入通道本来就少的话，经过ReLU后信息丢失就会比较严重。咦...说了那么久，怎么好像都没有提到MobileNetv2呀？哦，不不不，以上铺垫的这个问题很重要，因为针对这个问题的解决手段正是MobileNetv2最重要的骚操作，好了，接下来进入正题。
1. Expansion Layer
对于深度可分离卷积，其本身没有改变通道的能力，输入通道多少输出就是多少。有上述可知，这样的话，若输入通道很少，经过深度可分离卷积后再接ReLU，效果便不是很好，那怎么办呢？我们可以在深度可分离卷积前先扩展通道数，也称作Expansion Layer（扩展层）。OK，那具体如何扩展呢？既然在深度可分离卷积后我们使用了逐点卷积来将feature map的通道数映射到目标通道数，那么同样地，我们也可以在深度可分离卷积之前先使用逐点卷积进行升维（paper原文是升6倍）。先使用逐点卷积升维，接着进行深度可分离卷积，最后再使用逐点卷积降维相对于上述方式，这是一个比较“暴力”的手段，干脆把ReLU换掉，使用线性激活层替代。不过，我们可不能把所有的激活函数都换成线性的，这样整张网络就相当于一个线性操作了（别忘记使用激活函数的一个原因之一就是引入非线性变换），那么应该替换掉哪里的ReLU呢？仔细看上图，第1个pw已将通道数扩展，中间的pw不会改变通道数，那么这两层后面使用ReLU通常较为“安全”，而最后1个pw通常是压缩通道，如果后面接ReLU，效果可能就相对没那么好了，因此可以将最后1个pw后的ReLU替换为线性激活函数，这样的结构也称作Linear Bottleneck。
3. Inverted Residual
还记得ResNet那货不？哦，这肯定是废话了，对于众炼丹者来说，它也算得上是个全明星了。残差结构（通常也称作shortcut）能够其起到特征复用和避免梯度消失的作用，于是在MobileNetv2里也引入这一骚操作。ResNet's residual vs MobileNetv2's Inverted-Residual根据上图，对比下可以发现，两者都采用了 1×1 -> 3 ×3 -> 1 × 1 的卷积模式以及shortcut，不同点在于ResNet先使用pw降维，后使用pw升维，而MobileNetV2“反其道而行之”——先使用pw升维，后使用pw降维。这样一来，MobileNetv2的block形状看起来就刚好与ResNet的block相反，因此作者给了它一个网红名字——Inverted-Residual。综合以上，我们来看下MobileNetv2的block：MobileNetv1 vs MobileNetv2上图左边是v1的block，没有shortcut并且最后的pw后面接了ReLU6；右边的是v2的block，加入了Expansion Layer（使用1×1 pw 升维），引入shortcut，同时去掉了最后pw后的ReLU，改为线性激活函数。注意，v2的block有2种，当dw的步长（stride）为1时，使用了shortcut，形成残差结构；而dw的步长（stride）为2时，由于input与output的尺寸不同，因此没有使用shortcut结构。附：MobileNetv2 paper（文末可领取原论文）本以为v2能成为网红，没想到一下子被v3干掉了...好吧，我们先来回顾下v1和v2都做了哪些骚操作。v1将标准卷积分解为dw+pw，同时使用2个超参进一步构建小模型和降低计算量；v2在v1基础上，在dw前加入 Expansion Layer 进行通道数的扩展，将dw后的pw接的ReLU6替换为线性激活层，并且引入了shortcut，最终形成 inverted-residual（“倒残差”） 这样的结构。简单精炼，OK！那么v3在以上的基础上又有哪些骚操作呢？
1. 新的非线性激活函数 —— h-swish
在介绍h-swish先来认识一个家伙——swish，它一次是在谷歌大脑2017的论文 Searching for Activation functions 种亮相，其具备无上界有下界、平滑以及非单调的特性，并且在深层模型上的效果优于ReLU，并且作者通过实验进行了验证。这好东西v3当然也尝试使用过，但是作者又认为这家伙虽然提高了精度，但在嵌入式环境中，还是有不少计算成本，原因是在移动设备上计算sigmoid 函数成本不小，因此把sigmoid这部分替换掉，改为ReLU6，并且将这整个激活函数命名为h-swish：为啥叫h-siwsh？h代表什么呢？h其实是单词hard的第一个字母，h-swish的意思就是这个近似的函数可以逼近swish，让swish硬（hard）起来（别想歪呀...）。那为啥使用ReLU6呢？作者认为几乎所有的软硬件框架上都可以方便计算ReLU6，同时它能在特定模式下消除由于近似sigmoid的不同实现而带来的潜在数值精度损失。sigmoid的“软”、“硬”模式以及swish和h-swish下图展示了使用h-swish对于时间以及精度的影响，可以发现，使用h-swish@16可以提高大约0.2%的精度，但是持剑延长了大约20%。因此，总的来说，在更深的层中使用h-swish好处更大，于是建议通常在模型的后半部分使用。2. 基于Squeeze & Excitation（SE）的轻量级注意力结构
在bottleneck中加入了SE结构，并且放在了dw之后。另外，由于SE部分的计算会消耗一定的时间，因此在SE结构的第1个FC层中，压缩了通道数（paper原文是变为原来的1/4），在最后的FC层再复原，通过实验证明，这样在减少时耗的同时也提高了精度，这是属于MobileNet的轻量级SE结构。(1). 这里的Pool指的是GAP（Global Average Pooling），即全局平均池化，经过它的“沐浴”后，feature map的大小变为1 x 1，通道数维持不变；(2). 第1个FC后的激活函数是ReLU，最后1个FC后的激活函数是h-sigmoid（注意不是 h-swish，相比 h-swish 少乘了1个 x，即
）
3. 修改了部分v2的结构 —— 头部卷积核的通道数 和 尾部结构
v2中的头部卷积核是 32 x 3 x 3，v3中改成了 16 x 3 x 3，作者发现这样在保证了精度的前提下还降低了3ms的时耗。v2中，在最后的 Avg-Pooling 之前，使用了1个pw来升维，有利于结构的预测，但这同时引入了一定的计算量，于是作者在v3中作了修改：先去掉这个 pw 前的 bottleneck 中的 dw 和后面的 pw，然后将原本位于 Avg-Pooling 前的 pw 放置于 Avg-Pooling 后，这样就变为先用 Avg-Pooling 将feature map大小由 7 x 7 降到了 1 x 1（Avg-Pooling 的 kernel size 是 7 x 7），然后再使用 pw 升维度，减少了计算量和时耗，同时发现精度并没有得到损失，最终变为如下所示的结构：4. 网络结构搜索 —— 资源受限的NAS（Platform-Aware NAS）与 NetAdapt通过上述，可以发现v3相比于v2并没有做太多创新，其实重头之戏在于这部分。但是CW对这部分没有深入了解，参考了一些博文，在这里简单介绍一下。总体过程就是先用资源受限的NAS，在计算和参数量受限的前提下搜索网络来优化各个块（block），称之为模块级搜索（Block-wise Search）。然后再使用 NetAdapt 算法对各个模块确定每一层的卷积核数量，称之为层级搜索（Layer-wise Search）。看到这里，你有没有认真想过其实为何MobileNet会这么快呢？它是闪电侠吗，sorry跑题...或许你会说因为它将标准卷积分解为dw+pw、使用了宽度乘数和分辨率乘数缩减计算量、使用了h-swish...blablabla等等，嗯，也没错，但是这里可以尝试从另一个视角去理解。可以看到，大部分计算都分布在了pw也就是1 x 1卷积上，这么看来，快就快在1 × 1卷积了。我们知道，卷积实质是矩阵之间的加乘运算，而在计算机进行操作时，需要将其先存入内存再操作，按照 “行先序”：卷积在内存中的运算，实线标注出卷积计算中的访存过程（对应数据相乘）于是，通常都会使用到一个叫im2col的骚操作，其实质是通过牺牲空间的手段（约扩增K×K倍），将特征图转换成更大的矩阵来进行卷积计算，具体为：把在特征图中每一次循环所需的数据排列成列向量，然后逐一堆叠起来形成矩阵（按通道顺序在列方向上拼接），比如输入特征图维度为 Ci × Wi × Hi ，卷积核尺寸为 K × K ，输出维度为Co×Wo×Ho，那么卷积核转换为 Co x ( K x K) 的矩阵，同时输入特征图转换为(K x K) × (Ci x Wo x Ho)的矩阵，如下所示。然后调用诸如 GEMM（矩阵乘矩阵）这样的库加速两矩阵的相乘计算。由于这过程按照计算需求排布了数据顺序，使得计算机每次计算过程中能够依次访问到特征图中所需的数据，因此极大地提高了运算速度。OK，现在回来看看MobileNet的宝贝1×1卷积，根据上述，1×1卷积的“行先序”储存结构以及使用im2col后的结构分别如下图所示：1x1卷积在计算机内存中使用“行先序”的存储结构以及使用im2col骚操作后的存储结构咦，这是...一样哒！也就是说，1x1卷积根本不需要im2col的过程，“即插即用”！大大节省了数据重排列的时间和空间，因此在底层计算中相对更快。若你认真看完了本文，那么CW真心感谢你！与此同时，如果你觉得本文给予了你帮助或者让你有了新的认知，那我就更开心了，CW期待与大家共同成长！https://cloud.tencent.com/developer/article/1467101https://blog.csdn.net/u010712012/article/details/95922901https://blog.csdn.net/qq_38807688/article/details/84590717https://blog.csdn.net/Chunfengyanyulove/article/details/91358187
本文来自作者CW的原创投稿，如有任问题请及时留言，我们会第一时间处理。另外，深蓝学院诚邀大家一起来投稿，为人工智能贡献自己的一份力量！
