pytorch实现MobileNet

论文：https://arxiv.org/pdf/1704.04861.pdf

背景：

为移动端和嵌入式端深度学习应用设计的网络，使得在cpu上也能达到理想的速度要求。2017年4月发布的MobileNet是一个轻量级深度神经网络。

创新点：

主要应用了深度可分离卷积来代替传统的卷积操作，并且放弃pooling层。把标准卷积分解成深度卷积(depthwise convolution)和逐点卷积(pointwise convolution)。这么做的好处是可以大幅度降低参数量和计算量。分解过程示意图如下：

设输入的特征映射为$F$尺寸为$D_F\times D_F\times M$.
标准卷积核$K$的尺寸为$D_K\times D_K\times M\times N$,则经过标准卷积核处理后，输出的特征维度为：$$D_F\times D_F\times N$$,计算量为：$$N\cdot D_F\cdot D_F\cdot M\cdot D_K\cdot D_K$$
其中，一共$N$个卷积核，每个卷积核约进行$D_F\cdot D_F$次扫描，每次扫描的深度(通道数)为$M$，每一个通道需要进行$D_K\cdot D_K$次加权求和。

深度卷积的卷积核尺寸为$D_K\times D_K\times 1\times M$,对特征图处理后的输出维度为:$$D_F\times D_F\times M$$
计算量为：$$M\cdot D_F\cdot D_F\cdot D_K\cdot D_K$$
使用逐点卷积对深度卷积处理后的特征图操作，输出维度为：$$D_F\times D_F\times N$$,
计算量为：$$N\cdot D_F\cdot D_F\cdot M$$

标准卷积和深度可分离卷积相比，输出的特征图维度相同的，但是计算量的比较为：
$$\frac{M\cdot D_F\cdot D_F\cdot D_K\cdot D_K+N\cdot D_F\cdot D_F\cdot M}{N\cdot D_F\cdot D_F\cdot M\cdot D_K\cdot D_K}=\frac{1}{N}+\frac{1}{D_K^2}$$
当卷积核的尺寸为$3\times 3$时，与标准卷积相比，深度可分离卷积可以减少8-9倍的计算量，仅仅有很小的准确率损失。

网络结构

卷积层之后对应的BN和ReLU的关系：

除了第一层为标准的卷积层之外，其他的层都为深度可分离卷积。

宽度因子$\alpha$：
对于深度可分离卷积层，输入的通道数$M$变为$\alpha M$，输出通道数由$N$变为$\alpha N$,此时深度可分离卷积层的计算代价变为：
$$\alpha M\cdot D_F\cdot D_F\cdot D_K\cdot D_K+\alpha N\cdot D_F\cdot D_F\cdot \alpha M$$
$\alpha \in (0,1]$，典型的设置为1,0.75,0.5,0.25.

分辨率因子$\rho$
对于深度可分离卷积层，输入图像和输出的中间表示的分辨率通过$\rho$来改变，,此时深度可分离卷积层的计算代价变为：
$$\alpha M\cdot \rho D_F\cdot \rho D_F\cdot D_K\cdot D_K+\alpha N\cdot \rho D_F\cdot \rho D_F\cdot \alpha M$$
$\rho \in (0,1]$，通过隐式地设置可以使得输入分辨率为224,192,160,128.
通过设置因子可以在资源和准确率之间进行权衡。

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


class Block(nn.Module):
    '''Depthwise conv + Pointwise conv'''
    def __init__(self, in_planes, out_planes, stride=1):
        super(Block, self).__init__()
        self.conv1 = nn.Conv2d\
            (in_planes, in_planes, kernel_size=3, stride=stride, 
             padding=1, groups=in_planes, bias=False)
        self.bn1 = nn.BatchNorm2d(in_planes)
        self.conv2 = nn.Conv2d\
            (in_planes, out_planes, kernel_size=1, 
            stride=1, padding=0, bias=False)
        self.bn2 = nn.BatchNorm2d(out_planes)

    def forward(self, x):
        out = F.relu(self.bn1(self.conv1(x)))
        out = F.relu(self.bn2(self.conv2(out)))
        return out


class MobileNet(nn.Module):
    # (128,2) means conv planes=128, conv stride=2, 
    # by default conv stride=1
    cfg = [64, (128,2), 128, (256,2), 256, (512,2), 
           512, 512, 512, 512, 512, (1024,2), 1024]

    def __init__(self, num_classes=10):
        super(MobileNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, kernel_size=3, 
        	stride=1, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(32)
        self.layers = self._make_layers(in_planes=32)
        self.linear = nn.Linear(1024, num_classes)

    def _make_layers(self, in_planes):
        layers = []
        for x in self.cfg:
            out_planes = x if isinstance(x, int) else x[0]
            stride = 1 if isinstance(x, int) else x[1]
            layers.append(Block(in_planes, out_planes, stride))
            in_planes = out_planes
        return nn.Sequential(*layers)

    def forward(self, x):
        out = F.relu(self.bn1(self.conv1(x)))
        out = self.layers(out)
        out = F.avg_pool2d(out, 2)
        out = out.view(out.size(0), -1)
        out = self.linear(out)
        return out


def test():
    net = MobileNet()
    x = torch.randn(1,3,32,32)
    y = net(x)
    print(y.size())

test()