昇思25天学习打卡营第25天|ShuffleNet图像分类

课程打卡凭证

ShuffleNet网络

ShuffleNet是一种轻量级卷积神经网络（CNN）架构，主要用于移动设备等计算资源受限的环境中。它通过引入Pointwise Group Convolution（逐点分组卷积）和Channel Shuffle（通道混洗）操作，显著减少了计算复杂度和参数量，同时保持了较高的准确度，如下图所示。

Pointwise Group Convolution

Group Convolution（分组卷积）是指将输入的特征图按通道分组，然后对每组通道进行独立的卷积操作，最后将各组的输出合并。假设输入有g个组，输出也被分成g个组，每个组只对对应的输入组进行卷积操作，具体如下图所示。这种方法大大减少了参数量和计算量。可以显著减少计算量和模型大小。

ShuffleNet特别对1x1的卷积进行了分组操作，因为1x1卷积的计算量在小型网络中往往占据较大比例，即采用Pointwise Group Convolution（逐点分组卷积）。

Channel Shuffle

由于分组卷积限制了不同组之间的信息交流，ShuffleNet引入了Channel Shuffle（通道混洗）操作来解决这一问题。具体来说，在每个分组卷积层之后，对输出通道进行重新排列，使得不同组的通道能够相互混合，从而提高信息传递的效率，具体如下图所示。

构建模型

GroupConv类实现分组卷积操作，它是ShuffleNet中的一个重要组成部分，这里使用MindSpore的API来进行卷积操作和特征拼接。

ShuffleNet模块

ShuffleNet的网络结构通常包括多个阶段，每个阶段由多个ShuffleNet单元组成。ShuffleNet单元的基本结构如下：

• 第一个1x1卷积层：用于降低通道数，减少计算量。
• 分组卷积层：通常采用3x3的分组卷积，用于提取特征。
• 通道混洗层：对分组卷积后的特征图进行通道混洗，增加特征图的多样性。
• 第二个1x1卷积层：用于恢复通道数，匹配短连接路径的维度。

此外，ShuffleNet还采用了残差连接（Residual Connection）和平均池化（Average Pooling）等策略来进一步提高网络的性能。具体如下图所示。

其代码实现如下图所示。

构建ShuffleNet网络

ShuffleNet网络结构如图所示，依此结构来构建网络。

定义ShuffleNetV1类，接受分类的类别数、模型大小、分组数为参数。

配置每个阶段的输出。

初始化第一层卷积层和最大池化层。

每个阶段根据stride和first_group的值进行配置；将每个阶段的网络块添加到features列表中，并使用nn.SequentialCell将它们串联起来；最后添加全局平均池化层globalpool和分类器classifier。

输入张量x依次通过第一层卷积层、最大池化层、ShuffleNet特征提取层、全局平均池化层和分类器，最后使用ops.reshape调整张量形状，并返回最终分类结果。

模型训练和评估

下载数据集。

对数据进行预处理。

训练模型，结果如下图所示。

在测试集上对模型进行评估。

结果如下图所示。

模型预测

在测试集上对模型进行预测，结果如下图所示。