CV算法复现（分类算法6/6）：MobileNet（2017年V1，2018年V2，2019年V3，谷歌）

致谢：霹雳吧啦Wz：霹雳吧啦Wz的个人空间_哔哩哔哩_Bilibili

目录

致谢：霹雳吧啦Wz：霹雳吧啦Wz的个人空间_哔哩哔哩_Bilibili

1 本次要点

1.1 pytorch框架语法

2 网络简介

2.1 历史意义

2.2 网络亮点

V1版亮点

V2版亮点

V3版亮点

2.3 V1网络

DW卷积和PW卷积介绍

计算量

网络结构（和VGG差不多，就是卷积层的串联）

效果

2.4 V2网络

倒残差结构

ReLU6激励函数

V2网络结构

效果

2.5 V3网络

V3算法的 block结构

SE模块（注意力机制）

重新设计耗时层结构

重新设计激活函数

 V3网络结构

3 代码结构（V2版）

3.1 model.py

3.2 train.py

3.3 predict.py

---

1 本次要点

1.1 pytorch框架语法

• 要使用DW卷积功能，只要设定nn.conv2d中groups参数即可。
• pytorch自带relu6激励函数。nn.ReLU6()。

2 网络简介

2.1 历史意义

2017年，为了满足移动和嵌入式视觉任务的需要，MobileNet V1构造了一种体量小（参数量是VGG16的1/32）、运算少（计算量是GoogeNet的1/3）网络架构，精度相比VGG仅低了0.9%。

2018年，提出了MobileNet V2。

2019年，提出了MobileNet V3。

2.2 网络亮点

V1版亮点

1. Depthwise Convolution( DW卷积，大大减少运算量和参数数量)
2. 增加超参数α（卷积核个数）、β（输入图像的分辨率）

V2版亮点

1. Inverted Residuals （倒残差结构 ）
2. Linear Bottlenecks

V3版亮点

1. 更新block（bneck）：在V2倒残差结构基础上进行了简单改动。
   1. SE模块：注意力机制。
   2. 更新了激活函数。
2. 使用NAS（neural architecture search 神经结构搜索）搜索参数
3. 重新设计耗时层结构

效果：更准确、更高效

2.3 V1网络

DW卷积和PW卷积介绍

传统卷积：

• 卷积核channel=输入特征channel：这是卷积计算的定义，以前长时间误解卷积核channel就是1，比如输入特征是1024通道，那么单个卷积核也要是1024个通道，单个通道两两匹配做卷积计算，然后1024个通道矩阵的相应位置元素值累加，1024个元素（不是特征图，是特征图中单个元素）累加后，再加一次bias，此时的元素值，就是特征图中的元素值。
• 卷积核个数=输出的通道数：所以，刚开始1*1卷积的发明，不是做特征提取，而是用来做通道数扩增或降维。

DW卷积：

• 卷积核通道就1层，而且只和输入的单通道进行卷积。具体DW原理见上图。
• 这种运算对输入层的每个通道独立进行卷积运算，没有利用不同通道在相同空间位置上的feature信息。因此需要Pointwise Convolution来将这些Feature map进行组合生成新的Feature map。

PW卷积：

• 作用跟1*1卷积一模一样，在这里换了个名字，作用是控制输出的通道数。具体如上图。

计算量

M是输入特征的通道数，N是输出特征的通道数，通常卷积核是3*3的，使用DW+PW替换常规卷积，分子除以分母约为1/9。

当然，实际上，由于计算机底层计算机制等原因，可能DW卷积计算方式比常规卷积计算更费时间。

网络结构（和VGG差不多，就是卷积层的串联）

注意与解释：

• conv / s2 ：普通卷积；步长为2。
• 3 x 3 x 3 x 32：卷积核尺寸为 3 x 3；卷积核深度为3；卷积核组数为32（即输出32个特征图）
• conv dw / s1：DW卷积；步长为1。
• 3 x 3 x 32 dw：卷积核尺寸为 3 x 3；DW卷积核深度为1，所以这里默认不写；卷积核组数为32。
• PW卷积就是常规的1x1卷积，所以网络结构中，每个dw卷积后面接一个1x1常规卷积。

在V1版本中，DW部分的卷积核容易废掉，即卷积核参数大部分为0，基本没起作用。V2中有了改善。

效果

2.4 V2网络

倒残差结构

左图是残差结构，右图是倒残差结构，升维降维顺序反过来。

V2论文中有两种连接方式，如下：

论文中，只有stride=1且输入特征矩阵与输出特征矩阵shape相同时才有shortcut连接。

ReLU6激励函数

替换常规ReLU原因是：常规ReLU对低维的特征造成大量损失，而对高维影响才小。

V2网络结构

• t 是扩展因子：就是DW卷积通道拓展倍数。
• bottleneck只有s=1时（即bottleneck中第一层DW卷积步长为1），才使用有shortcut分支版本block。(原因：DW卷积步长为2时，特征图尺度会发生变化，没法前后add了)
• 最后一层 1 x 1 卷积层，因为输入向量也是1x1x1280，所以相当于一个全连接层。

效果

2.5 V3网络

V3算法的 block结构

NL：非线性激活函数的意思。（V2算法中没有用）

后面的1x1卷积层：用于降维，也没有用激活函数。

SE模块（注意力机制）

SE是Squeeze and Excitation的缩写（‘紧缩和激励’）,该模块的提出主要是考虑到模型通道之间的相互依赖性。

细节解释：

1. pool：每个通道特征图，使用global pooling，比如全局平均池化，求得特征图所有元素的平均值。

一个例子：

SE-ResNet结合示意图：

重新设计耗时层结构

1. 减少第一个卷积层的卷积核个数（V2版是32，V2版是16）（我：这也算创新吗，这感觉完全是实验测试发现精度不降，速度能提升。。。）
   1. 效果：精度一样，速度提升2毫秒（约3%提速）
2. 精简Last State 结构
   1. 效果：速度提升7毫秒（11%提速）

重新设计激活函数

问题：swish激活函数能提升网络精度，但是求导复杂、量化过程也不友好。

解决：发明 h-swish 激活函数，形态和swish相近，但计算和量化好的多。

 V3网络结构

3 代码结构（V2版）

• model.py
• train.py
• predict.py

3.1 model.py

from torch import nn
import torch


"""
目的：将输入通道数调整为输出通道数的整数倍
ch：卷积核个数（即输出特征图channel）
divisor：一个基数。
_make_divisible就是要把ch调整成divisor的整数倍。
可能原因：有利于并行运算或多机器分布式运算。
"""
def _make_divisible(ch, divisor=8, min_ch=None):
    """
    This function is taken from the original tf repo.
    It ensures that all layers have a channel number that is divisible by 8
    It can be seen here:
    https://github.com/tensorflow/models/blob/master/research/slim/nets/mobilenet/mobilenet.py
    """
    if min_ch is None:
        min_ch = divisor
    # 以下一句，相当于四舍五入    
    new_ch = max(min_ch, int(ch + divisor / 2) // divisor * divisor)
    # Make sure that round down does not go down by more than 10%.
    # 确保向下取整时不会超过10%
    if new_ch < 0.9 * ch:
        new_ch += divisor
    return new_ch


"""
Conv + BN + ReLU6 模块
继承nn.Sequential类，因为后续要使用pytorch官方预训练权重。
groups=1表示普通卷积，其他值将为DW卷积。
"""
class ConvBNReLU(nn.Sequential):
    def __init__(self, in_channel, out_channel, kernel_size=3, stride=1, groups=1):
        padding = (kernel_size - 1) // 2
        #传入3个参数
        super(ConvBNReLU, self).__init__(
            nn.Conv2d(in_channel, out_channel, kernel_size, stride, padding, groups=groups, bias=False),
            nn.BatchNorm2d(out_channel),
            nn.ReLU6(inplace=True)
        )


# 倒残差结构
class InvertedResidual(nn.Module):
    def __init__(self, in_channel, out_channel, stride, expand_ratio):
        super(InvertedResidual, self).__init__()
        hidden_channel = in_channel * expand_ratio #扩展因子t 
        # use_shortcut：是否使用shortcut结构
        self.use_shortcut = stride == 1 and in_channel == out_channel

        layers = []
        if expand_ratio != 1: #如果为1，则不要1*1卷积
            # 1x1 pointwise conv
            layers.append(ConvBNReLU(in_channel, hidden_channel, kernel_size=1))
        # layers.append()是一个个插入。而layers.extend()能批量插入。
        layers.extend([
            # 3x3 depthwise conv
            ConvBNReLU(hidden_channel, hidden_channel, stride=stride, groups=hidden_channel),
            # 1x1 pointwise conv(linear 线性激活函数)
            nn.Conv2d(hidden_channel, out_channel, kernel_size=1, bias=False),
            nn.BatchNorm2d(out_channel),
            # 注意：线性激活函数，就相当于y=x，所以也就是BN层后不需要加激活函数了。
        ])

        self.conv = nn.Sequential(*layers)

    def forward(self, x):
        if self.use_shortcut:
            return x + self.conv(x)
        else:
            return self.conv(x)

"""
alpha：卷积核个数的倍率
round_nearest：

"""
class MobileNetV2(nn.Module):
    def __init__(self, num_classes=1000, alpha=1.0, round_nearest=8):
        super(MobileNetV2, self).__init__()
        block = InvertedResidual
        # _make_divisible：将输入通道数调整为输出通道数的整数倍
        # 可能原因：有利于并行运算或多机器分布式运算。
        input_channel = _make_divisible(32 * alpha, round_nearest)
        last_channel = _make_divisible(1280 * alpha, round_nearest)

        inverted_residual_setting = [
            # t, c, n, s（具体含义，见网络详解图）
            [1, 16, 1, 1],
            [6, 24, 2, 2],
            [6, 32, 3, 2],
            [6, 64, 4, 2],
            [6, 96, 3, 1],
            [6, 160, 3, 2],
            [6, 320, 1, 1],
        ]

        features = []
        # conv1 layer
        features.append(ConvBNReLU(3, input_channel, stride=2))
        # building inverted residual residual blockes
        for t, c, n, s in inverted_residual_setting:
            output_channel = _make_divisible(c * alpha, round_nearest)
            for i in range(n):
                stride = s if i == 0 else 1
                features.append(block(input_channel, output_channel, stride, expand_ratio=t))
                input_channel = output_channel
        
        # building last several layers
        features.append(ConvBNReLU(input_channel, last_channel, 1))
        
        # combine feature layers
        self.features = nn.Sequential(*features)

        # building classifier
        self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
        self.classifier = nn.Sequential(
            nn.Dropout(0.2),
            nn.Linear(last_channel, num_classes)
        )

        # weight initialization 权重初始化
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode='fan_out')
                if m.bias is not None:
                    nn.init.zeros_(m.bias) #bias设为0
            elif isinstance(m, nn.BatchNorm2d):
                nn.init.ones_(m.weight) #方差设为1
                nn.init.zeros_(m.bias) #bias设为0
            elif isinstance(m, nn.Linear):
                nn.init.normal_(m.weight, 0, 0.01) #将权重调整为均值为0，方差为0.01的正态分布。
                nn.init.zeros_(m.bias) #bias设为0

    def forward(self, x):
        x = self.features(x)
        x = self.avgpool(x)
        x = torch.flatten(x, 1)
        x = self.classifier(x)
        return x

3.2 train.py

import torch
import torch.nn as nn
from torchvision import transforms, datasets
import json
import os
import torch.optim as optim
from model import MobileNetV2
# import torchvision.models.mobilenet 点进去里面有mobilenet_v2预训练模型的下载路径。

def main():
    device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
    print("using {} device.".format(device))

    data_transform = {
        "train": transforms.Compose([transforms.RandomResizedCrop(224),
                                     transforms.RandomHorizontalFlip(),
                                     transforms.ToTensor(),
                                     transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]),
        "val": transforms.Compose([transforms.Resize(256),
                                   transforms.CenterCrop(224),
                                   transforms.ToTensor(),
                                   transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])}

    data_root = os.path.abspath(os.path.join(os.getcwd(), "../.."))  # get data root path
    image_path = os.path.join(data_root, "data_set", "flower_data")  # flower data set path
    assert os.path.exists(image_path), "{} path does not exist.".format(image_path)
    train_dataset = datasets.ImageFolder(root=os.path.join(image_path, "train"),
                                         transform=data_transform["train"])
    train_num = len(train_dataset)

    # {'daisy':0, 'dandelion':1, 'roses':2, 'sunflower':3, 'tulips':4}
    flower_list = train_dataset.class_to_idx
    cla_dict = dict((val, key) for key, val in flower_list.items())
    # write dict into json file
    json_str = json.dumps(cla_dict, indent=4)
    with open('class_indices.json', 'w') as json_file:
        json_file.write(json_str)

    batch_size = 16
    nw = min([os.cpu_count(), batch_size if batch_size > 1 else 0, 8])  # number of workers
    print('Using {} dataloader workers every process'.format(nw))

    train_loader = torch.utils.data.DataLoader(train_dataset,
                                               batch_size=batch_size, shuffle=True,
                                               num_workers=nw)

    validate_dataset = datasets.ImageFolder(root=os.path.join(image_path, "val"),
                                            transform=data_transform["val"])
    val_num = len(validate_dataset)
    validate_loader = torch.utils.data.DataLoader(validate_dataset,
                                                  batch_size=batch_size, shuffle=False,
                                                  num_workers=nw)

    print("using {} images for training, {} images fot validation.".format(train_num,
                                                                           val_num))
    
    net = MobileNetV2(num_classes=5)
    # load pretrain weights
    # download url: https://download.pytorch.org/models/mobilenet_v2-b0353104.pth
    model_weight_path = "./mobilenet_v2.pth" #imageNet预训练模型,输出节点是1000，所以最后一层在此不能用。
    assert os.path.exists(model_weight_path), "file {} dose not exist.".format(model_weight_path)
    pre_weights = torch.load(model_weight_path)
    
    # delete classifier weights
    # 遍历权重字典，看权重名称中是否有“classifier”参数，有表示是最后一层全连接层参数，
    pre_dict = {k: v for k, v in pre_weights.items() if "classifier" not in k} #排除最后一层名叫"classifier"的全连接层。
    missing_keys, unexpected_keys = net.load_state_dict(pre_dict, strict=False) # 通过字典载入权重

    # freeze features weights
    # 冻结 features结构部分（特征提取部分）权重。
    for param in net.features.parameters(): # 如果是net.parameters()，则所有网络结构都冻结。
        param.requires_grad = False # 不求导，也不参数更新。

    net.to(device)

    loss_function = nn.CrossEntropyLoss()
    optimizer = optim.Adam(net.parameters(), lr=0.0001)

    best_acc = 0.0
    save_path = './MobileNetV2.pth'
    for epoch in range(5):
        # train
        net.train()
        running_loss = 0.0
        for step, data in enumerate(train_loader, start=0):
            images, labels = data
            optimizer.zero_grad()
            logits = net(images.to(device))
            loss = loss_function(logits, labels.to(device))
            loss.backward()
            optimizer.step()

            # print statistics
            running_loss += loss.item()
            # print train process
            rate = (step+1)/len(train_loader)
            a = "*" * int(rate * 50)
            b = "." * int((1 - rate) * 50)
            print("\rtrain loss: {:^3.0f}%[{}->{}]{:.4f}".format(int(rate*100), a, b, loss), end="")
        print()

        # validate
        net.eval()
        acc = 0.0  # accumulate accurate number / epoch
        with torch.no_grad():
            for val_data in validate_loader:
                val_images, val_labels = val_data
                outputs = net(val_images.to(device))  # eval model only have last output layer
                # loss = loss_function(outputs, test_labels)
                predict_y = torch.max(outputs, dim=1)[1]
                acc += (predict_y == val_labels.to(device)).sum().item()
            val_accurate = acc / val_num
            if val_accurate > best_acc:
                best_acc = val_accurate
                torch.save(net.state_dict(), save_path)
            print('[epoch %d] train_loss: %.3f  test_accuracy: %.3f' %
                  (epoch + 1, running_loss / step, val_accurate))

    print('Finished Training')


if __name__ == '__main__':
    main()

冻结输出层之外的层参数，训练结果：

作者最高训练到94%。

如果基于预训练模型，所有层都进行更新训练，能达到98.1%。

3.3 predict.py

import torch
from model import MobileNetV2
from PIL import Image
from torchvision import transforms
import matplotlib.pyplot as plt
import json

data_transform = transforms.Compose(
    [transforms.Resize(256),
     transforms.CenterCrop(224),
     transforms.ToTensor(),
     transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])

# load image
img = Image.open("../tulip.jpg")
plt.imshow(img)
# [N, C, H, W]
img = data_transform(img)
# expand batch dimension
img = torch.unsqueeze(img, dim=0)

# read class_indict
try:
    json_file = open('./class_indices.json', 'r')
    class_indict = json.load(json_file)
except Exception as e:
    print(e)
    exit(-1)

# create model
model = MobileNetV2(num_classes=5)
# load model weights
model_weight_path = "./MobileNetV2.pth"
model.load_state_dict(torch.load(model_weight_path))
model.eval()
with torch.no_grad():
    # predict class
    output = torch.squeeze(model(img)) #压缩batch维度
    predict = torch.softmax(output, dim=0) #将输出值转为概率分布。
    predict_cla = torch.argmax(predict).numpy()
print(class_indict[str(predict_cla)], predict[predict_cla].numpy())
plt.show()

预测输出：