作者 | zhouyuangan
来源 | https://zhuanlan.zhihu.com/p/64400678
本文已经作者授权，禁止二次转载
这篇文章将从一个证件检测网络(Retinanet)的轻量化谈起，简洁地介绍，我在实操中使用到的设计原则和idea，并贴出相关的参考资料和成果供读者参考。因此本文是一篇注重工程性、总结个人观点 的文章，存在不恰当的地方，请读者在评论区指出，方便交流。
目前已有的轻量网络有：MobileNet V2和ShuffleNet v2为代表。在实际业务中，Retinanet仅需要检测证件，不涉及过多的类别物体的定位和分类，因此，我认为仅仅更换上述两个骨架网络来优化模型的性能是不够的，需要针对证件检测任务，专门设计一个更加轻量的卷积神经网络来提取、糅合特征。
设计原则
轻量的浅层网络特征提取能力不如深度网络，训练也更需要技巧。假设保证有足够多的训练的数据，轻量网络训练会更加容易。
Facebook研究院的一篇论文《Data Distillation Towards Omni-Supervised Learning》提出了“数据蒸馏”的方法。实际上，标注数据相对未知数据较少，我使用已经训练好、效果达标的base resnet50的retinanet来进行自动标注，得到一批10万张机器标注的数据。这为后来的轻量网络设计奠定了数据基础。我认为这是构建一个轻量网络必要的条件之一，网络结构的有效性验证离不开大量的实验结果来评估。
接下来，这一部分我将简洁地介绍轻量CNN地设计的四个原则
2、 卷积层的输入、输出channels数目相同时，计算需要的MAC(memory access cost)最少
对于1x1的分组卷积（例如：MobileNetv2的深度可分离卷积采用了分组卷积），其MAC和FLOPS的关系为：
g代表分组卷积数量，很明显g越大，MAC越大。详细参考《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design》。
这些碎片化更多是指网络中的多路径连接，类似于short-cut，bottle neck等不同层特征融合，还有如FPN。拖慢并行的一个很主要因素是，运算快的模块总是要等待运算慢的模块执行完毕。
5、Element-wise操作会消耗较多的时间（也就是逐元素操作）
从表中第一行数据看出，当移除了ReLU和short-cut，大约提升了20%的速度。
以上是从此篇论文《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design 》 中转译过来的设计原则，在实操中，这四条原则需要灵活使用。
根据以上几个原则进行网络的设计，可以将模型的参数量、访存量降低很大一部分。
通常18层的网络属于深层网络，在设计时，应选择一个参考网络基线，我选择的是resnet18。由于Retinanet使用了FPN特征金字塔网络来融合各个不同尺度范围的特征，因此Retinanet仍然很“重”，需要尽可能压缩骨架网络的冗余，减少深度。
一个3x3，d=2的空洞卷积在感受野上，可以看作等效于5x5的卷积，提供比普通3x3的卷积更大的感受野，这在网络的浅层设计使用它有益。计算出网络各个层占有的MAC和参数量，将参数量和计算量“重”的卷积层替换成深度可分离卷积层，可以降低模型的参数量。
这里提供一个计算pytorch 模型的MAC和FLOPs的 python packages 。
8、Group Normalization 替换 Batch Normalization
BN在诸多论文中已经被证明了一些缺陷，而训练目标检测网络耗费显存，开销巨大，通常冻结BN来训练，原因是小批次会让BN失效，影响训练的稳定性。建议一个BN的替代--GN，pytorch 0.4.1内置了GN的支持。
网络不够深，没有必要使用shortcut连接，不必要的shortcut会增加计算量。RELU与shortcut一样都会增加计算量。同样RELU没有必要每一个卷积后连接（需要实际训练考虑删减RELU）。
1x1卷积可以改变通道数，而不改变特征图的空间分辨率，参数量低，计算效率也高。如使用kernel size=3，stride=1，padding=1，可以保证特征图的空间分辨率不变，1x1的卷积设置stride=1,padding=0达到相同的目的，而且1x1卷积运算的效率目前有很多底层算法支持，效率更高。[5x1] x [1x5] 两个卷积可以替换5x5卷积，同样可以减少模型参数。
降低通道数可以减少特征图的输出大小，显存占用量下降明显。 参考原则2
一个好的骨架网络需要大量的实验来支撑它的验证，因此在工程上，参考一些实时网络结构设计自己的骨架网络，事半功倍。我在实践中，参考了这篇《 ThunderNet: TowardsReal-timeGenericObjectDetection paper》的骨架来设计自己的轻量网络。
总结
我根据以上的原则和经验对Retinanet进行瘦身，不仅局限于骨架的新设计，FPN支路瘦身，两个子网络（回归网络和分类网络）均进行了修改，期望性能指标FPS提升到63，增幅180%。
1、 The Receptive Field, the Effective RF, and how it's hurting your results （链接： https://www.linkedin.com/pulse/receptive-field-effective-rf-how-its-hurting-your-rosenberg ）
2、 arxiv.org/pdf/1807.1116 （ 链接： https://arxiv.org/pdf/1807.11164.pdf ）
—
为您推荐
微软 VS Code 已原生支持 Jupyter 笔记本，再也不用打开网页调试运行了
作为 IT 行业的过来人，你有什么话想对后辈说的？
本篇文章来源于: 深度学习这件小事
内容反馈