?

00

?

引言

現(xiàn)在很多的圖像算法都是離線計算的，而學術(shù)界刷榜單那些模型，什么vgg16，resnet152是不能直接拿來用的，所以，對于一個深度學習算法工程師來說，如果在這些模型的基礎上，設計出一個又小又快的滿足業(yè)務需求的模型，是必備技能，今天就來簡單討論一下這個問題。

?

首先，祭出一個baseline，來自Google的mobilenet，算是學術(shù)界祭出的真正有意義的移動端模型。

?

當然，這里我們要稍微修改一下，畢竟原始的mobilenet是分類模型過于簡單無法展開更多，我們以更加復雜通用的一個任務開始，分割，同時修改一下初始輸入尺度，畢竟224這個尺度在移動端不一定被采用，我們以更小的一個尺度開始，以MacBookPro為計算平臺。

?

在原有mobilenet的基礎上添加反卷積，輸入網(wǎng)絡尺度160*160，網(wǎng)絡結(jié)構(gòu)參考mobilenet，只是在最后加上反卷積如下

如果誰有可以可視化caffe網(wǎng)絡結(jié)構(gòu)圖并保存成高清圖片的方法，請告訴我一下，netscope不能保存圖，graphviz的圖又效果很差，所以這里沒有放完整結(jié)構(gòu)圖。

?

不過，大家可以去參考mobilenet，然后我們在mac上跑一遍，看看時間代價如下：

?

其中黃色高亮是統(tǒng)計的每一個module的時間和。

準備工作完畢，接下來開始干活。

01

?

?分析網(wǎng)絡的性能瓶頸

1.1 運行時間和計算代價分析

上面兩圖分別是網(wǎng)絡的計算時間和計算量，從上面我們總結(jié)幾條規(guī)律：

?

(1) 耗時前5，conv2_1_sep，conv6_sep，conv3_1_sep，conv3_1_dw，conv2_1_dw。

我們看看為什么，

conv2_1_dw計算量，32*80*80*3*3*1=1843200

conv2_1_sep計算量，32*80*80*1*1*64=13107200

conv3_1_dw計算量，128*40*40*3*3*1=1843200

conv3_1_sep計算量，128*40*40*1*1*128=26214400

conv6_sep計算量，1024*5*5*1*1*1024=26214400

上面可以看出，計算量最大的是conv6_sep，conv2_1_sep，理論上conv2_1_dw計算量與conv2_1_sep不在一個量級，但是實際上相當，這是庫實現(xiàn)的問題。

?

(2) 從conv5_1到conv5_5，由于尺度不發(fā)生變化，通道數(shù)不發(fā)生變化，所以耗時都是接近的，且dw模塊/sep模塊耗時比例約為1:3。

前者計算量：512*10*10*3*3

后者計算量：512*10*10*1*1*512

這一段網(wǎng)絡結(jié)構(gòu)是利用網(wǎng)絡深度增加了非線性，所以對于復雜程度不同的問題，我們可以縮減這一段的深度。

?

1.2 網(wǎng)絡參數(shù)量分析

從上面我們可以看出，參數(shù)量集中在conv6_sep，conv5_6_sep，conv5_1~5_5，所以要壓縮模型，應該從這里地方入手。

?

當我們想設計更小的mobilenet網(wǎng)絡時，有3招是基本的，一定要用。

(1) 降低輸入分辨率，根據(jù)實際問題來設定。

(2) 調(diào)整網(wǎng)絡寬度，也就是channel數(shù)量。

(3) 調(diào)整網(wǎng)絡深度，比如從conv4_2到conv5_6這一段，都可以先去試一試。

02

?

開始調(diào)整網(wǎng)絡

在做這件事之前，我們先看看經(jīng)典網(wǎng)絡結(jié)構(gòu)的一些東西，更具體可以參考之前的文章。

https://zhuanlan.zhihu.com/p/25797790

從上面的表看，主流網(wǎng)絡第一個卷積，kernel=3，stride=2，featuremap=64，mobilenet系列已經(jīng)降到了32。

?

第1層是提取邊緣等信息的，當然是featuremap數(shù)量越大越好，但是其實邊緣檢測方向是有限的，很多信息是冗余的， 由于mobilenet優(yōu)異的性能，事實證明，最底層的卷積featuremap channel=32已經(jīng)夠用。

?

實際的任務中，大家可以看conv1占據(jù)的時間來調(diào)整，不過大部分情況下只需要選擇好輸入尺度大小做訓練，然后套用上面的參數(shù)即可，畢竟這一層占據(jù)的時間和參數(shù)，都不算多，32已經(jīng)足夠好足夠優(yōu)異，不太需要去調(diào)整的。

?

自從任意的卷積可以采用3*3替代且計算量更小后，網(wǎng)絡結(jié)構(gòu)中現(xiàn)在只剩下3*3和1*1的卷積，其他的尺寸可以先不考慮。

?

采用80*80輸入，砍掉conv5_6和conv6，得到的模型各層花費時間如下

總共274ms，我們稱這個模型為mobilenet_v0。

?

2.1 如何決定輸入尺度

輸入尺度絕對是任務驅(qū)動的，不同的任務需要不同的輸入尺度，分割比分類需要尺度一般更大，檢測又比分割所需要的尺度更大，在這里，我們限定一個比較簡單的分割任務，然后將輸入尺度定為80*80，就將該任務稱為A吧。

?

2.2 如何調(diào)整網(wǎng)絡寬度與深度

通道數(shù)決定網(wǎng)絡的寬度，對時間和網(wǎng)絡大小的貢獻是一個乘因子，這是優(yōu)化模型首先要做的，下面開始做。

?

2.2.1 反卷積

?

看上面的模型我們可以看出，反卷積所占用時間遠遠大于前面提取特征的卷積，這是因為我們沒有去優(yōu)化過這個參數(shù)。那么，到底選擇多少才合適呢？

?

在這里經(jīng)驗就比較有用了。卷積提取特征的過程，是featuremap尺度變小，channel變大，反卷積正好相反，featuremap不斷變大，通道數(shù)不斷變小。這里有4次放大2倍的卷積，考慮到每次縮放一倍，所以第一次的channel數(shù)量不能小于2^4=16，一不做二不休，我們干脆就干為16。

?

我們稱這個模型為mobilenet_v1

?

我們看下時間對比

再看下性能對比。

這樣，一舉將模型壓縮5倍，時間壓縮5倍，而且現(xiàn)在反卷積的時間代價幾乎已經(jīng)可以忽略。

?

2.2.2 粗暴地減少網(wǎng)絡寬度

?

接下來我們再返回第1部分，conv5_1到conv5_5的計算量和時間代價都是不小的，且這一部分featuremap大小不再發(fā)生變化。這意味著什么？這意味著這一部分，純粹是為了增加網(wǎng)絡的非線性性。

?

下面我們直接將conv5_1到conv5_5的featuremap從512全部干到256，稱其為mobilenet2.1.1，再看精度和時間代價。

時間代價和網(wǎng)絡大小又有了明顯下降，不過精度也有下降。

?

2.2.3 粗暴地減少網(wǎng)絡深度

?

網(wǎng)絡層數(shù)決定網(wǎng)絡的深度，在一定的范圍內(nèi)，深度越深，網(wǎng)絡的性能就越優(yōu)異。但是從第一張圖我們可看出來了，網(wǎng)絡越深，featureamap越小，channel數(shù)越多，這個時候的計算量也是不小的。

?

所以，針對特定的任務去優(yōu)化模型的時候，我們有必要去優(yōu)化網(wǎng)絡的深度，當然是在滿足精度的前提下，越小越好。

?

我們從一個比較好的起點開始，從mobilenet_v1開始吧，直接砍掉conv5_5這個block，將其稱為mobilenet_v2.1.2。

?

下面來看看比較。

從結(jié)果來看，精度下降尚且不算很明顯，不過時間的優(yōu)化很有限，模型大小壓縮也有限。

?

下面在集中看一下同時粗暴地減少網(wǎng)絡深度和寬度的結(jié)果，稱其為mobilenet_v2.1.3

以損失將近1%的代價，將模型壓縮到2.7m，40ms以內(nèi)，這樣的結(jié)果，得看實際應用能不能滿足要求了。

總之，粗暴地直接減小深度和寬度，都會造成性能的下降。

?

2.2.4 怎么彌補通道的損失

?

從上面我們可以看出，減少深度和寬度，雖然減小了模型，但是都帶來了精度的損失，很多時候這種精度損失導致模型無法上線。所以，我們需要一些其他方法來解決這個問題。

?

2.2.4.1 crelu通道補償

?

從上面可以看出，網(wǎng)絡寬度對結(jié)果的影響非常嚴重，如果我們可以想辦法維持原來的網(wǎng)絡寬度，且不顯著增加計算量，那就完美了。正好有這樣的方法，來源于這篇文章《Understanding and Improving Convolutional Neural Networks via Concatenated Rectified Linear Units》，它指出網(wǎng)絡的參數(shù)有互補的現(xiàn)象，如果將減半后的通道補上它的反，會基本上相當于原有的模型，雖然原文針對的是網(wǎng)絡淺層有這樣的現(xiàn)象，不過深層我們不妨一試，將其用于參數(shù)量和計算代價都比較大的conv5_1到conv5_4，我們直接從mobilenet_v2.1.3開始，增加conv5_1到conv5_4的網(wǎng)絡寬度，稱之為mobilenet_v2.1.4。

?

2.2.4.2 skip connect，融合不同層的信息

?

這是說的不能再多，用的不能再多了的技術(shù)。從FCN開始，為了恢復分割細節(jié)，從底層添加branch到高層幾乎就是必用的技巧了，它不一定能在精度指標上有多少提升，但是對于分割的細節(jié)一般是正向的。

?

我們直接從mobilenet_v2.1.3開始，添加3個尺度的skip connection。由于底層的channel數(shù)量較大，deconv后的channel數(shù)量較小，因此我們添加1*1卷積改變通道，剩下來就有了兩種方案，1，concat。2，eltwise。

?

針對這兩種方案，我們分別進行試驗。

從上表可以看出，兩個方案都不錯，時間代價和模型大小增加都很小，而精度提升較大。

?

現(xiàn)在反過頭回去看剛開始的模型v0，在精確度沒有下降的情況下，我們已經(jīng)把速度優(yōu)化了5倍以上，模型大小壓縮到原來的1/10，已經(jīng)滿足一個通用的線上模型了。

?

當然，我們不可能道盡所有的技術(shù)，而接著上面的思路，也還有很多可以做的事情，本篇的重點，是讓大家學會分析性能網(wǎng)絡的性能瓶頸，從而針對性的去優(yōu)化網(wǎng)絡。更多類似技巧和實驗，作為技術(shù)人員，自己嘗試去吧。

?

?

?

注：部分圖片來自網(wǎng)絡

?

—END—

?

?

公眾號內(nèi)容

1 圖像基礎｜2 深度學習｜3 行業(yè)信息