MobileNet v1-v2的理解

v1:   （1）单片卷积 + 1x1 通道改维度；

        （2）宽度因子a + 分辨率因子 b ；        （以最低的精度损失换取大量的参数减少）

v2:   （1）加入残差结构（先升维：增加信息量，再降维度：较少参数，与Resnet相反），增加梯度传播

        （2)较少block最后的Relu，为lineat，减少信息破坏；

        （3）全卷积（减少参数）+relu6（采用float16，防止数值爆炸）

文章目录

• • 一、参数数量和理论计算量
    • 1、定义
    • 2、计算公式
  • 二、MobileNetV1: Efficient Convolutional Neural Networks for Mobile Vision Application
    • 1、能够减少参数数量和计算量的原理
    • 2、MobileNetV1 中引入的两个超参数
    • 3、标准卷积和深度可分离卷积的区别
    • 4、TensorFlow 中的代码实现
    • 5、Caffe 中的代码实现
  • 三、MobileNetV2：Inverted Residuals and Linear Bottlenecks
    • 1、主要改进点
    • 2、和 MobileNetV1 的区别
    • 3、和 ResNet 的区别
    • 4、代码实现
  • 四、参考资料

 

---

一、参数数量和理论计算量

1、定义

• 参数数量（params）：关系到模型大小，单位通常为M，通常参数用 float32 表示，所以模型大小是参数数量的 4 倍
• 理论计算量（FLOPs）：
  • 是 floating point operations 的缩写（注意 s 小写），可以用来衡量算法/模型的复杂度，这关系到算法速度，大模型的单位通常为 G，小模型单位通常为 M
  • 通常只考虑乘加操作(Multi-Adds)的数量，而且只考虑 CONV 和 FC 等参数层的计算量，忽略 BN 和PReLU 等等。一般情况，CONV 和 FC 层也会 忽略仅纯加操作 的计算量，如 bias 偏置加和 shotcut 残差加等，目前技术有 BN 的 CNN 可以不加 bias

2、计算公式

假设卷积核大小为 Kh×KwK_h \times K_wKh​×Kw​，输入通道数为 CinC_{in}Cin​，输出通道数为 CoutC_{out}Cout​，输出特征图的宽和高分别为 WWW 和 HHH，这里忽略偏置项

• CONV 标准卷积层：

  • params： Kh×Kw×Cin×CoutK_h \times K_w \times C_{in} \times C_{out}Kh​×Kw​×Cin​×Cout​
  • FLOPs：Kh×Kw×Cin×Cout×H×W=params×H×WK_h \times K_w \times C_{in} \times C_{out} \times H \times W = params \times H \times WKh​×Kw​×Cin​×Cout​×H×W=params×H×W

• FC 全连接层（相当于 k=1）：

  • params： Cin×CoutC_{in} \times C_{out}Cin​×Cout​
  • FLOPs：Cin×CoutC_{in} \times C_{out}Cin​×Cout​

---

二、MobileNetV1: Efficient Convolutional Neural Networks for Mobile Vision Application

1、能够减少参数数量和计算量的原理

• 深度可分离卷积的使用
  • 在进行 depthwise 卷积时只使用了一种维度为in_channels的卷积核进行特征提取（没有进行特征组合）
  • 在进行 pointwise 卷积时只使用了output_channels 种 维度为in_channels 1*1 的卷积核进行特征组合，普通卷积不同 depth 层的权重是按照 1:1:1…:1的比例进行相加的，而在这里不同 depth 层的权重是按照 不同比例(可学习的参数) 进行相加的
  • 参数数量由原来的p1 = F*F*in_channels*output_channels 变为了p2 = F*F*in_channels*1 + 1*1*in_channels*output_channels，减小为原来的p2/p1 = 1/output_channels + 1/F*F，其中 F 为卷积核的尺寸，若 F=3F = 3F=3，参数量大约会减少到原来的 1/8→1/91/8 \to 1/91/8→1/9
  • Note： 原论文中对第一层没有用此卷积，深度可分离卷积中的每一个后面都跟 BN 和 RELU
    
• Global Average Pooling 的使用：这一层没有参数，计算量可以忽略不计
• 用 CONV/s2（步进2的卷积）代替 MaxPool+CONV：使得参数数量不变，计算量变为原来的 1/4 左右，且省去了MaxPool 的计算量
• Note：采用 depth-wise convolution 会有一个问题，就是导致 信息流通不畅 ，即输出的 feature map 仅包含输入的 feature map 的一部分，在这里，MobileNet 采用了 point-wise(1*1) convolution 帮助信息在通道之间流通

---

2、MobileNetV1 中引入的两个超参数

• Width Multiplier(α\alphaα): Thinner Models
  • 所有层的 通道数（channel） 乘以 α\alphaα 参数(四舍五入)，模型大小近似下降到原来的 α2\alpha^{2}α2 倍，计算量下降到原来的 α2\alpha^{2}α2 倍
  • α∈(0,1]\alpha \in (0, 1]α∈(0,1] with typical settings of 1, 0.75, 0.5 and 0.25，降低模型的宽度
• Resolution Multiplier(ρ\rhoρ): Reduced Representation
  • 输入层的 分辨率（resolution） 乘以 ρ\rhoρ 参数 (四舍五入)，等价于所有层的分辨率乘 ρ\rhoρ，模型大小不变，计算量下降到原来的 ρ2\rho^{2}ρ2 倍
  • ρ∈(0,1]\rho \in (0, 1]ρ∈(0,1]，降低输入图像的分辨率

---

3、标准卷积和深度可分离卷积的区别

---

4、TensorFlow 中的代码实现

• 可使用 tensorflow 中的tf.nn.separable_conv2d() 来实现， 参数depthwise_filter中的 channel_multiplier 设为 1 即可

# 使用 slim 来实现
def _depthwise_separable_conv(inputs,
                              num_pwc_filters,
                              kernel_width,
                              phase,
                              sc,
                              padding='SAME',
                              width_multiplier=1,
                              downsample=False):
    """ Helper function to build the depth-wise separable convolution layer.
    """
    num_pwc_filters = round(num_pwc_filters * width_multiplier)
    _stride = 2 if downsample else 1

    # skip pointwise by setting num_outputs=None
    depthwise_conv = slim.separable_convolution2d(inputs,
                                                  num_outputs=None,
                                                  stride=_stride,
                                                  depth_multiplier=1,
                                                  kernel_size=[kernel_width, kernel_width],
                                                  padding=padding,
                                                  activation_fn=None,
                                                  scope=sc + '/depthwise_conv')

    bn = slim.batch_norm(depthwise_conv, activation_fn=tf.nn.relu, is_training=phase, scope=sc + '/dw_batch_norm')
    pointwise_conv = slim.convolution2d(bn,
                                        num_pwc_filters,
                                        kernel_size=[1, 1],
                                        activation_fn=None,
                                        scope=sc + '/pointwise_conv')
    bn = slim.batch_norm(pointwise_conv, activation_fn=tf.nn.relu, is_training=phase, scope=sc + '/pw_batch_norm')
    return bn

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32

---

5、Caffe 中的代码实现

---

三、MobileNetV2：Inverted Residuals and Linear Bottlenecks

1、主要改进点

• 引入残差结构，先升维再降维，增强梯度的传播，显著减少推理期间所需的内存占用（Inverted Residuals）
• 去掉 Narrow layer（low dimension or depth） 后的 ReLU，保留特征多样性，增强网络的表达能力（Linear Bottlenecks）
• 网络为全卷积的，使得模型可以适应不同尺寸的图像；使用 RELU6（最高输出为 6）激活函数，使得模型在低精度计算下具有更强的鲁棒性
• MobileNetV2 building block 如下所示，若需要下采样，可在 DWise 时采用步长为 2 的卷积；小网络使用小的扩张系数（expansion factor），大网络使用大一点的扩张系数（expansion factor），推荐是5~10，论文中 t=6t = 6t=6
  

2、和 MobileNetV1 的区别

3、和 ResNet 的区别

4、代码实现

• caffe 代码实现：https://github.com/shicai/MobileNet-Caffe
• caffe 代码实现（efficent version1）：https://github.com/farmingyard/caffe-mobilenet
• caffe 代码实现（efficent version2）：https://github.com/yonghenglh6/DepthwiseConvolution