MobileNet_v1详解

一、背景介绍

  自2012年AlexNet问世以来，CNN被设计得越来越深，越来越复杂，对硬件的要求也就随之提高，而且这些大型网络都是以准确率为导向设计的，很少考虑到效率的优化。但是在实际生活的一些应用中（比如自动驾驶、增强现实等），不仅硬件受限制，而且注重效率，所以越来越多的人开始研究小巧而高效的网络。

  当时（2017年）的研究方向可以分为两种，一是压缩复杂网络的预训练模型，二是直接设计并训练小型模型。MobileNet的作者们属于后者，MobileNet不仅可以优化效率(low latency)，而且可以让使用者根据硬件限制自行选择适合的模型大小(parameters size)。

二、思路提出

2.1 深度可分离卷积（Depthwise Separable Convolution）

  标准卷积层本质上完成了两件事情，一是通过卷积核提取特征(filter)，二是将特征图组合起来(combine)。我的理解是，每个卷积核都可以提取特征得到特征图，这完成了第一件事情；将每个卷积核得到的特征图组合起来得到最终输出，这完成了第二件事情。而整个MobileNet的核心理念深度可分离卷积，它通过分解标准卷积，把原先放在一步内完成的filter和combine分成了两个步骤，分别对应两种卷积depthwise convolution和pointwise convolution。

  但是depthwise convolution的输入和输出维度都是一样的，那怎么改变维度呢？这时候就轮到pointwise convolution出场，其本质为$1\ast 1$的标准卷积，主要作用就是对输入进行升维和降维。下图更加形象地表现了深度可分离卷积的工作过程：

  那么这么做的意义是什么？答：减小模型计算量和减少参数量。如果对模型计算量和参数量计算方式不明确，可以先移步和。

  假设标准卷积核的尺寸为$D_k\ast D_k$，通道数为$M$，数量有$N$个。标准卷积的参数量为$D_k\ast D_k\ast M\ast N$，而深度可分离卷积的depthwise convolution参数量为$D_k\ast D_k\ast M$，pointwise convolution参数量为$1\ast 1\ast M\ast N$，两者之和为$D_k\ast D_k\ast M+M\ast N$。

  现在来计算模型计算量，假设最终得到的输出为$D_F\ast D_F\ast M$，$N$个标准卷积核都为$D_k\ast D_k\ast M$。特征图的每一个点都是一个卷积核进行卷积得来的（只计算乘法操作），那么计算量为$D_k\ast D_k\ast M\ast N\ast D_F\ast D_F$。而深度可分离卷积的depthwise convolution计算量为$D_k\ast D_k\ast M\ast D_F\ast D_F$，pointwise convolution计算量为$1\ast 1\ast M\ast N\ast D_F\ast D_F$，两者之和为$D_k\ast D_k\ast M\ast D_F\ast D_F+M\ast N\ast D_F\ast D_F$。

  将标准卷积和深度可分离卷积进行比较可得下图：

  如果我们用$3\ast 3$的卷积核，因为$N$相对$D_k^2$来说比较大，所以深度可分离卷积计算量和参数量大致都为原来的$\frac{1}{9}$。标准卷积和深度可分离卷积的网络结构对比如下图所示：

为什么要用ReLU的原因，引用：

中也可以发现这一细节：

class ConvBNReLU(nn.Sequential):
    def __init__(self, in_planes, out_planes, kernel_size=3, stride=1, groups=1):
        padding = (kernel_size - 1) // 2
        super(ConvBNReLU, self).__init__(
            nn.Conv2d(in_planes, out_planes, kernel_size, stride, padding, groups=groups, bias=False),
            nn.BatchNorm2d(out_planes),
            nn.ReLU6(inplace=True)
        )

同样，这份代码里也可以看出depthwise convolution是通过groups参数来实现的。

2.2 Width Multiplier 和 Redolution Multiplier

  首先来看看MobileNet的整体结构，如上图所示。这个结构其实还是基于VGG的，只是将标准卷积改成了深度可分离卷积而已。但这是标准的MobileNet，有时候基于实际需求，我们可能还得将其进一步简化以得到更少的参数和计算量，对此作者们引入了两个参数:Width Mulitplier和Resolution Multiplier。

  Width Mulitplier的作用是按比例$\alpha$缩小标准MobileNet每一层的通道数。假设原来输入通道数为$M$，输出通道数为$N$，那么缩放后得到的新输入通道数为$\alpha M$，新输出通道数为$\alpha N$。此时深度可分离卷积网络的计算量为：
$$D_k\ast D_k\ast \alpha M\ast D_F\ast D_F+\alpha M\ast \alpha N\ast D_F\ast D_F$$

其中$a\in (0,1]$，一般设置为[1, 0.75, 0.5, 0.25]。Width Mulitplier大致可以将计算量和参数量简化为标准MobileNet的$\frac{1}{{\alpha }^2}$。

  Revolution Multiplier的作用是按比例$\beta$缩小特征图的尺寸，比如原来输出特征图大小为$D_F\ast D_F$，那么加入$\beta$的特征图参数大小为$\beta D_F\ast \beta D_F$。同时加入$\alpha ,\beta$后，深度可分离卷积网络的计算量为:

$$D_k\ast D_k\ast \alpha M\ast \beta D_F\ast \beta D_F+\alpha M\ast \alpha N\ast \beta D_F\ast \beta D_F$$

其中$\beta \in (0,1]$，但是resolution multiplier仅仅将计算量大致变为原来的$\frac{1}{{\beta }^2}$，不改变参数量。

三、实验结果

  MobileNet是在效率和准确率之间做了一个折中：

  如上图所示，标准的MobileNet准确率比VGG16下降了百分之一左右，但是参数量和都大大减少。如果进一步压缩网络，那肯定是会降低准确率的：

四、参考资料

4.1 整体解读

4.2 Group Convolution

• 的开头部分