【深度学习】EfficientNet系列网络结构
pytorch实现的EfficientNet
https://github.com/lukemelas/EfficientNet-PyTorch
安装:
git clone https://github.com/lukemelas/EfficientNet-PyTorch
cd EfficientNet-Pytorch
sudo pip3 install -e .
MobileNetV2和Inverted residual block
深度可分离卷积
深度可分离卷积通过将乘法运算变为加法运算,使得在能够保证卷积精度的情况下,极大的降低运算成本。
深度可分离卷积的计算原理在【深度学习】用caffe+ShuffleNet-V2做回归中进行了说明。
标准的卷积层将一个的tensor,通过size为的卷积核,输出一个的tensor,需要的计算成本为:,而同样size的输入输出,深度可分离卷积的计算成本为:
Inverted residual block
Inverted residual block的结构如上图所示,当深度可分离卷积中的深度卷积部分(图中Dwise)步长不为1的时候,不加shortcut connection。另外,当expansion ratio为1的时候,去掉最接近input的那个的卷积层。
Inverted:倒置的,这个block叫倒置残差的原因,是残差网络的结构是通过的卷积将tensor的channel降低,通过的卷积后,再通过的卷积将tensor的channel提高,而Inverted residual block的通过的卷积将tensor的channel提高(expansion ratio,也就是上表中的t,大于1),通过的卷积后,再通过的卷积将tensor的channel降低。
ReLU6激活函数
ReLU6就是普通的ReLU但是限制最大输出值为6(对输出值做clip),这是为了在移动端设备float16的低精度的时候,也能有很好的数值分辨率,如果对ReLU的激活范围不加限制,输出范围为0到正无穷,如果激活值非常大,分布在一个很大的范围内,则低精度的float16无法很好地精确描述如此大范围的数值,带来精度损失。
MobileNetV2网络结构
MobileNetV2的网络结构,t是Inverted residual block的expansion ratio,c是输出tensor的channel,n是block重复的次数,s是卷积步长。注意MobileNetV2对输入tensor进行了32倍下采样,是全卷积网络。
EfficientNet-B0的baseline网络结构
EfficientNet-B0的baseline网络结构如图所示,Resolution是输入tensor的size,#Channels是输出tensor的channel,#Layers是block重复的次数。MBConv的网络结构和MobileNetV2的Inverted residual block相同,例如:MBConv6,k3×3代表,t为6,深度卷积的卷积核尺寸为3×3。
不同之处在于,EfficientNet-B0将ReLU6激活函数换成了Swish激活函数。另外,可以选择使用squeeze-and-excitation优化。
Swish激活函数
Swish激活函数公式为:
默认为
EfficientNet的网络scale up策略
卷积神经网络有三个scale up网络规模的维度:
- :如上图,通过增加baseline的channel向维度,对网络规模scale up。的网络能够捕获更加细粒度的特征,而且训练更容易。
- :如上图,通过增加baseline的深度,也就是增加卷积层的数量,对网络规模scale up。的网络能够捕获更丰富、更复杂的特征,但是由于梯度弥散、梯度爆炸等问题,训练难度较大。
- :如上图,通过增加baseline输入image的分辨率,对网络规模scale up。 的网络能够捕获更加细粒度的特征。
EfficientNet的网络scale up策略是:因为如果图像的分辨率更大,就需要更深的网络来提高感受野,需要更多的channel数来捕获更加细粒度的特征,因此:通过一个固定的比例对和同时进行scale up,实现一个卷积神经网络中三者的平衡。也就是如上图。
scale up策略
一个卷积层可以看作一个函数:
,是卷积操作,是输出tensor,是输入tensor,的shape为
因此一个卷积神经网络可以看作一个函数:
因为卷积神经网络可以视为几个stage的组合,每个stage重复不同的次数,而每个相同的stage的重复block都有相同的结构,所以卷积神经网络的函数可以定义如下:
是stage的索引,的含义是block重复次,,、表示索引为的stage的输入tensor的height和width方向的size,表示输出tensor的channel数。
上述中卷积神经网络的三个scale up网络规模的维度,对应于增大,对应于增大,对应于增大。
这里规定一个卷积神经网络,所有的block都按相同的比例对三个维度进行scale up,因此,scale up的优化目标可以定义为:
也就是在baseline的基础上,给定对卷积神经网络进行scale up,让scale up后的卷积神经网络的性能最优。
三个维度的scale up系数的确定方法:
约束条件:
其中,是通过grid search得到的常数,是根据计算资源的大小设置的常数。
对于EfficientNet-B0的baseline网络,固定为1,通过grid search得到、、,时,scale up的卷积神经网络性能最优,得到EfficientNet-B0。
固定、、,通过设置不同的值,对EfficientNet-B0的baseline网络进行scale up,进而得到EfficientNet-B1到EfficientNet-B7。
如果直接在规模更大的baseline上进行grid search得到、和,会得到性能更优的卷积神经网络,但是grid search需要的计算成本更大,因此,这里在小的baseline上进行grid search,然后通过修改的值,对网络进行scale up得到规模更大的卷积神经网络。
结语
如果您有修改意见或问题,欢迎留言或者通过邮箱和我联系。
手打很辛苦,如果我的文章对您有帮助,转载请注明出处。