ShuffleNetV1/V2简述 | 轻量级网络

ShuffleNet系列是轻量级网络中很重要的一个系列，ShuffleNetV1提出了channel shuffle操作，使得网络可以尽情地使用分组卷积来加速，而ShuffleNetV2则推倒V1的大部分设计，从实际出发，提出channel split操作，在加速网络的同时进行了特征重用，达到了很好的效果undefined来源：晓飞的算法工程笔记 公众号

ShuffleNet V1

论文: ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices

• 论文地址：https://arxiv.org/pdf/1707.01083.pdf
• 论文代码：https://github.com/megvii-model/ShuffleNet-Series/tree/master/ShuffleNetV1

Introduction

  神经网络的精度越来越高，而推理性能也在逐渐变慢，在实际应用中不得不在性能与准确率间进行折中。为此，论文对小网络的耗时进行分析，提出了ShuffleNet。论文首先介绍了ShuffleNet的核心操作Channel Shuffle以及Group Convolutions，然后再介绍Shuffle unit的结构，最后介绍ShuffleNet的架构。

Channel Shuffle for Group Convolutions

  在目前的一些主流网络中，通常使用pointwise卷积进行维度的降低，从而降低网络的复杂度，但由于输入维度较高，pointwise卷积的开销是十分巨大的。对于小网络而言，昂贵的pointwise卷积会带来明显的性能下降，比如在ResNext unit中，pointwise卷积占据了93.4%的计算量。为此，论文引入了分组卷积，首先探讨了两种ShuffleNet的实现：

• 图1a是最直接的方法，将所有的操作进行了绝对的维度隔离，但这会导致特定的输出仅关联了很小一部分的输入，阻隔了组间的信息流，降低了表达能力。
• 图1b对输出的维度进行重新分配，首先将每个组的输出分成多个子组，然后将每个子组输入到不同的组中，能够很好地保留组间的信息流。

  图1b的思想可以简单地用channel shuffle操作进行实现，如图1c所示，假设包含$g$组的卷积层输出为$g\times n$维，首先将输出reshape()为$(g, n)$，然后进行transpose()，最后再flatten()回$g\times n$维。

ShuffleNet Unit

  基于channel shuffle操作，论文提出了两种ShuffleNet unit，从图2a的基础残差结构开始，中间包含一个$3\times 3$深度卷积进行特征提取：

• 图2b为特征图大小不变的ShuffeNet unit，将开始的$1\times 1$卷积层替换成pointwise分组卷积+channel shuffle操作，第二个pointwise分组卷积的作用是为了恢复到unit的输入维度，方便与shortcut进行element-wise addition。后面的两个卷积操作根据可分离深度卷积论文的建议只接了BN，没有接BN+ReLU。论文尝试了在第二个pointwise分组卷积后面再接一次channel shuffle操作，但并没有提高很多精度。
• 图2c为特征图大小减半的ShuffleNet unit，可用于block间的特征下采样。主要在shortcut中添加$3\times 3$平均池化以及将最后的element-wise addition替换为channel concatenation，增加输出维度且不会带来太多的计算量。

  Shuffle unit的计算是比较高效的，对于$c\times h\times w$的输入，bottleneck的中间维度为$m$，ResNet unit的计算量为$hw(2cm + 9m^2)$FLOPs，ResNeXt unit的计算量为$hw(2cm+9m^2/g)$FLOPs，ShuffleNet unit的计算量为$hw(2cm/g + 9m)$，$g$为卷积的分组数。在同等计算资源情况下，计算量的减少意味着ShuffeNet可以使用维度更多的特征图，这在小网络中十分重要。

  需要注意的是，尽管深度卷积通常有较低的理论复杂度，但在实现时的效率是不高的。为此，ShuffleNet仅对bottleneck中的特征(维度较低)使用深度卷积。

Network Architecture

  ShuffleNet的结构如表1所示，3个不同的stage由ShuffleNet unit堆叠而成，每个stage的首个ShuffleNet unit比较特殊，使用图2c的stride=2结构，特征图大小缩小一倍，channel数增大一倍。其它的ShuffleNet unit使用图2b的结构，bootlneck的维度设定为输出的$1/4$。表1中设计不同分组数的网络，并修改了对应的输出维度，模型大小整体保持在140MFLOPs左右，网络的分组数越大，可设置维度也越大。

Experiments

  为了设定不同的网络复杂度，对表1的网络层维度加一个缩放因子$s$，比如ShuffleNet 0.5X为表1的所有层输出维度减少一倍。

  对不同scale和分组数的性能。

  对比channel shuffle对不同网络大小作用。

  在保持复杂度的情况下，将stage2-4尽量替换成类似于其它主流网络结构(具体设计看原文)，进行性能对比。

  对比同复杂度的MobileNet性能。

  对比主流网络的性能。

  对比作为目标检测主干的性能。

  CPU单线程推理速度对比。

Conclusion

  ShuffleNet的核心在于使用channel shuffle操作弥补分组间的信息交流，使得网络可以尽情使用pointwise分组卷积，不仅可以减少主要的网络计算量，也可以增加卷积的维度，从实验来看，是个很不错的work。

ShuffleNet V2

**论文: ShuffleNet V2: Practical Guidelines for Efficient

CNN Architecture Design**

• 论文地址：https://arxiv.org/pdf/1807.11164.pdf
• 论文代码：https://github.com/megvii-model/ShuffleNet-Series/tree/master/ShuffleNetV2

Introduction

  论文发现，作为衡量计算复杂度的指标，FLOPs实际并不等同于速度。如图1所示，FLOPs相似的网络，其速度却有较大的差别，只用FLOPs作为衡量计算复杂度的指标是不够的，还要考虑内存访问消耗以及GPU并行。基于上面的发现，论文从理论到实验列举了轻量级网络设计的5个要领，然后再根据设计要领提出ShuffleNet V2。

Practical Guidelines for Efficient Network Design

  为了保证结果的正确性，论文在以下工业设备中进行理论的相关测试：

• GPU. A single NVIDIA GeForce GTX 1080Ti is used. The convolution library is CUDNN 7.0
• ARM. A Qualcomm Snapdragon 810.

  包含以下5个轻量级网络设计要领：

1. G1: Equal channel width minimizes memory access cost (MAC).

  主流的网络大都使用深度分离卷积，其中pointwise卷积承担了大部分的计算开销。假设输入维度$c_1$和输出维度$c_2$，特征图大小为$h$和$w$，则$1\times 1$的卷积核的计算量$B=hwc_1 c_2$，内存访问消耗$MAC=hw(c_1+c_2)+c_1 c_2$，MAC可以表示为B相关的公式：

$MAC=hw(c_1+c_2)+c_1 c_2 \ge hw\sqrt{c_1 c_2} + c_1 c_2=\sqrt{hwB} + \frac{B}{hw}$

  上式在$c_1$和$c_2$相等时取得最小值，即输入输出维度相等时，内存访问消耗最小。

  为了避免理论与实际不符，论文在实际设备上进行了对比，在保持FLOPs不变的情况下，调整输入输出维度的比例，可以看到1:1的情况下计算速度最快。因此，在设计结构时尽量保持卷积的输入输出的维度一致。

1. G2: Excessive group convolution increases MAC  分组卷积能够降低FLOPs，在固定的FLOPs情况下，分组卷积能够使用更多的channel数，但channel的增加会带来MAC的提高，$1\times 1$分组卷积的MAC与FLOPs的关系为

  $g$为分组数，$B=hwc_1 c_2/g$为FLOPs。在固定输入和计算量情况下，MAC随着$g$增加而增加。

  论文同样也在实际设备上进行了对比，使用更多的分组反而降低了推理的速度，主要由于MAC的增加。因此，需要谨慎地根据平台和任务选择分组数，选择大的分组数能带来一定程度的准确率提升，但也会导致计算消耗的快速提升。

1. G3: Network fragmentation reduces degree of parallelism

  目前一些网络在单个block中使用了多通过，比如NASNET-A在单个block中使用了13个分支，而常规的网络仅使用2-3个分支。尽管这样的设计能够提升准确率，但是对设备并行计算不友好，会带来性能的下降。

  在实际设备上进行对比，在固定FLOPs情况下，分别对比串行和并行分支结构的性能。从结果来看，单分支的结构性能最好，性能的下降在GPU设备上最为明显。

1. G4: Element-wise operations are non-negligible

  论文对ShuffleNetV1和MobileNetV2的耗时进行了分析，发现element-wise操作(ReLU, AddTensor, AddBias, etc)的消耗是不可忽视的，特别在GPU设备上。尽管这些操作FLOPs不高，但其MAC相对较高。

  在实际设备对比中，固定FLOPs的情况下，使用更多的element-wise操作会导致网络的性能下降。

  最后总结下论文发现的网络设计要领：

• 使用相同输入输出维度的卷积
• 了解分组卷积带来的损耗
• 减少分支的数量
• 减少element-wise操作

ShuffleNet V2: an Efficient Architecture

  如上面提到的，ShuffleNetV1的pointwise分组卷积以及bottleneck结果均会提高MAC，导致不可忽视的计算损耗。为了达到高性能以及高准确率，关键是在不通过稠密卷积以及过多分组的情况下，获得输入输出一样的大维度卷积。

  ShuffeNetV1的unit结构如图3ab所示，为了达到上面的目的，V1的基础上加入channel split操作，如图3c所示。在每个unit的开头，将特征图分为$c-c^{'}$以及$c^{'}$两部分。根据G3，一个分支直接往后传递。根据G1，另一个分支包含3个输入输出维度一样的卷积。根据G2，不再使用分组卷积，而且unit的开头已经相当于进行了分组卷积。在完成卷积操作后，将特征concate，恢复到unit的输入大小(符合G1)，然后进行channel shuffle操作。这里没有了element-wise adddition操作，符合了G4，在实现的时候将concat/channel shuffle/channel split合在一起做了，能够进一步提升性能。

  空间下采样的操作进行了少量的修改，如图3d所示，去掉了channel split操作，因此输出的维度会翻倍。

  类似于ShuffleNetV1，设定$c^{'}=c/2$stage2-4为堆叠ShuffleNet unit的结构，在全局池化前加了一个$1\times 1$卷积来帮助特征融合。ShuffleNetV2不仅速度快，准确率也不低，主要得益于两个方面，首先是模型性能高，使得可以使用更大的维度以及网络容量，其次是channel split可以使得部分特征直接穿过block，相当于DenseNet的特征重用。

  论文对DenseNet以及ShuffleNetV2的特征重用程度进行了可视化对比，在DenseNet中，相邻层的连接比其它层更强，意味着所有层的稠密连接存在冗余。而在ShuffleNet中，层间的影响力以$(1-c^{'})/c=0.5$的倍数进行衰减，与DenseNet有一定的相似性。

Experiment

  将ShuffleNetV2 unit应用到大网络中进行对比。

  对比ShuffleNetV2作为检测网络主干的性能。

  与不同大小的主流分类网络进行性能对比。

Conclusion

  论文从实践出发，以实际的推理速度为指导，总结出了5条轻量级网络的设计要领，并根据要领提出了ShuffleNetV2，很好地兼顾了准确率和速度，其中channel split操作十分亮眼，达到了类似DenseNet的特征重用效果。

CONCLUSION

  ShuffleNet系列是轻量级网络中很重要的一个系列，ShuffleNetV1提出了channel shuffle操作，使得网络可以尽情地使用分组卷积来加速，而ShuffleNetV2则推倒V1的大部分设计，从实际出发，提出channel split操作，在加速网络的同时进行了特征重用，达到了很好的效果 。

如果本文对你有帮助，麻烦点个赞或在看呗～undefined更多内容请关注 微信公众号【晓飞的算法工程笔记】