轻量级网络之MobileNet v3

---

欢迎交流，禁止转载！！

前言

《Searching for MobileNetV3》
论文地址：https://arxiv.org/abs/1905.02244
2019年谷歌提出的，MobileNet V3本质上是对MnasNet的手工改进,下图是整个改进的过程：

性能还是不错：

以MnasNet-A1作为起点，使用NetAdapt对其进行优化(NetAdapt是一种算法，可自动简化预训练模型，直到达到给定的延迟，同时保持较高的准确性）。 除此以外，作者还手工进行了许多改进。感觉也就看看这些手工改进的部分吧，暴力的搜索网络也不适合大众这样做。

手工改进部分

建议先了解MobileNet v1 、MobileNet v2。
1）更换Block
加入了SE模块，更新了激活函数。NL表示非线性激活函数，这里用了很多个不同的激活函数。同样也是当stride=1且input_c=output_c时，才有shortcut。


不过这里的SE模块不是使用的sigmoid作为最后的gating机制，用的是Hard-sigmoid。Squeeze之后的通道数固定为Excitation通道数的1/4。“增加的复杂性并不能单调地提高性能，而较小的比率则会显著增加模型的参数大小。—SENet”

2）重新设计耗时的层结构

1. 减少了第一个卷积层的卷积核个数，作者实验发现减少之后性能并没有什么变化，所以从32减为16。
2. 精简了最后一个Stage，撤掉了后面计算量和参数量大的层，同时性能也没有下降：
   

3）重新设计激活函数
原有的sigmoid函数计算和求导都相对比较复杂，对量化也不友好。重新设计的激活函数计算更加简单，并且在量化模式下，它消除了由于近似s形的不同实现可能造成的数值精度损失。

作者使用一个新的函数h-sigmoid去逼近：


swish函数也就得到了近似：用h-swish能够节省6ms（6ms占总体运行时间的10％），仅比relu多1ms。

ReLU6(x + 3) / 6,在Mul层中，做了乘以0.16667的乘法，这就相当于除以6；ReLU6则融合在了卷积层之中；另外，对于x+3，这里的3被加在了卷积层的偏置层中了。

网络结构

bneck就是前面提到的block，不过SE和shortcut还有NL可能有些差别。为什么这里NL不用一样的激活函数？后面的对比实验说明了原因，请往下看。😉
MobileNetV3-Large：

MobileNetV3-Small：

实验对比

不同分辨率和通道扩张因子：


不同激活函数，以及所放置的位置：
@N，表示从哪一层开始使用h-swish，比如@16表示从通道数为16的卷积层开始使用h-swish。
在整个网络中添加h-swish性能要好一些，在拥有80个或更多通道(V3)的所有层上放置h-swish可以提供最佳的权衡。因为随着网络的深入，应用非线性的成本会降低，因为每一层激活的内存访问数量(h*w*c)通常会随着分辨率的下降而减半。顺便说一句，作者发现swish的大多数好处都是通过在更深的层中使用它们来实现的。因此，在我们的体系结构中，我们只在模型的后半部分使用h-swish。这里的optimized h-swish是采用了分段的优化，速度更快。

ImageNet图像分类任务：

目标检测任务： 同V2 一如既往的，参数更少，效果比上一版更差。😅

h-σ、h-swish

pytorch官方代码

import torch.nn as nn
import torch.nn.functional as F

activation_layer1 =nn.Hardsigmoid()
activation_layer2 =nn.Hardswish()
# or
F.hardsigmoid(x)

上一篇：轻量级网络之MobileNet v2
下一篇：轻量级网络之GhostNet