2019 AI procon | 张祥雨 高效轻量级深度模型的研究和实践 AI开发者大会部分内容

时间：2019年9月7日 星期六
主讲人： 张祥雨 （旷视）

高效模型设计的基本思路

• 轻量级架构
• 模型裁剪
• 模型搜索
• 低精度量化
• 知识蒸馏
• 高效实现

轻量级架构设计思路

• 原则1：有限的计算复杂度实现尽可能高的模型表示能力

  • 高效的卷积计算方式
    深度可分离卷积
    例如 Xception 、 MobileNet v1

  • 增加有效的通道数量
    Bottleneck 结构
    例如 ResNeXt 、 MobileNet v2

  • 特征服用 、 多特征融合
    例如 DenseNet、Res2Net

  

• 原则2：提高模型的实际运行速度

  理论复杂度和实际执行速度并不完全对等

  影响实际执行速度的原因

  • 理论计算量
  • 计算、访存比
  • 模块并行度
  • 设备特性/实现效率
  

  如何提高实际执行速度

  • 卷积的输入输出通道数应尽可能接近
    $MAC\ge \sqrt{2hwB}+\frac{B}{hw}$

  • 谨慎使用分组卷积

  $MAC=hw(c_1+c_2)+\frac{c_1{c}_2}{g}=hw{c}_1+\frac{Bg}{c1}+\frac{B}{hw}$

  • 减少网络碎片

  • 逐元素（Element-wise）运算的开销不可忽视

设计举例 —— ShuffleNet v1

• 设计思路 ： 深度可分离卷积 + 多层分组卷积
  • 问题：各个分组之间缺少信息交流
  • 解决： 引入通道重排 （channel shuffle ）

• 结构特点

  • 类似 ResNet 结构单元

  • “快速” 降采样

• 性能

  • 准确度大幅超过 MobileNet v1

  • 移动端高效执行

• 问题

  • 分组卷积执行低效 （尤其在GPU 上）

设计举例 —— ShuffleNet v2

• 设计要点

  • 采用输入输出通道数相等的卷积 （G1）
  • 用通道切分 （ channel split ）代替分组卷积 （G2、G3）
  • 取消 Identity Shortcut ，用 Concat 替代 （G4）
  • 合并主元素运算 （G4）
  

• 特征复用

• ShuffleNet v2+ 更强的特征保湿

  • AutoML超参搜索 + Swish 激活函数
    <img src=“https://leanote.com/api/file/getImage?fileId=5d74c312ab644160a90063d2”

• ShuffleNet V2.large

  • SE Block

    Model |FLOPs | #Params |Top-1 | Top-5 |

  • | - | - | - | - |
    ShuffleNetV2.Large | 12.7G | 140.7M | 18.56 | 4.48 |
    SENet | 20.7G | - | 18.68 | 4.47 |

  coco 2018 物体检测 单模型 mmAP 56+

• 应用

  • 数据清洗
  • 数据蒸馏

设计举例 —— ThunderNet

物体检测模型举例

• 设计要点
  • backbone ： 修改版 ShuffleNet v2
  • 检测器模块 ： LightHead R-CNN
  • 多尺度融合
  • Attention机制

设计举例 —— DFANet

语义分割模型举例

• 设计要点
  • backbone ： Xception
  • 高分辨率、低通道数特征图
  • 多尺度特征融合、特征复用

• 应用举例 ： 移动端实时虚化

相关资源

https://github.com/megvii-model/ShuffleNet-Series

模型搜索

效率

• 大数据集、复杂业务流程下能否高效搜索？
• 能否针对不同的速度、资源消耗等限制因素，快速生成满足要求的网络结构

性能

• 直接搜素 vs 迁移搜索
• 对于超大搜索空间，能否挖掘出高效结构（超越手工设计水平）

灵活性

• 能否支持 “ hard constraint”
• 是否支持多搜素任务、多种限制条件
• 能否对需要预训练的任务模型进行搜索

挑战 “不可能三角”

难点：同时兼顾效率、性能 和灵活性

通用模型搜索算法 —— Single Path One-Shot NAS

算法流程

• 训练 SuperNet

  • 根据搜索空间构造选择块 和 SuperNet
  • 每次迭代，随机选择 SuperNet 中的一条路径进行训练

• 架构优化

  • 使用遗传算法生成候选结构
  • 评估Supernet 对应的路径的性能，作为该候选结构的性能预测

• 对于不同的模型约束，只需要重新运行架构优化步骤，无需重新训练 Supernet

混合精度量化搜索

搜索效率