基于輕量化的卷積神經(jīng)網(wǎng)絡(luò)技術(shù)研究現(xiàn)狀

廖干洲

(廣州大學(xué)松田學(xué)院，廣東 增城 511370)

0 引言

深度學(xué)習(xí)網(wǎng)絡(luò)，尤其是卷積神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱CNN），自從在LeNet[1]的問世以來，其實(shí)在2012年 AlexNet[2]以絕對(duì)優(yōu)勢(shì)問鼎 ImageNet LSVRC-2012挑戰(zhàn)賽以后，卷積神經(jīng)網(wǎng)絡(luò)幾乎成了深度學(xué)習(xí)網(wǎng)絡(luò)的代名詞，在圖像、語(yǔ)音識(shí)別等領(lǐng)域上的應(yīng)用具有壓倒性的優(yōu)勢(shì)。以至于隨后的VGG[3]、GoogLeNet[4]、ResNet[5]等經(jīng)典網(wǎng)絡(luò)，都是在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，在網(wǎng)絡(luò)模塊結(jié)結(jié)構(gòu)、網(wǎng)絡(luò)深度和訓(xùn)練方法等進(jìn)行改進(jìn)，從而得到進(jìn)一步的發(fā)展應(yīng)用。甚至連今年流行的目標(biāo)檢測(cè)（Object Detection）算法中，諸如 RCNN[6]，F(xiàn)aster RCNN[7]、SSD[8]、YOLO[9-11]等網(wǎng)絡(luò)，無一不是從卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展起來的。

盡管卷積神經(jīng)網(wǎng)絡(luò)在識(shí)別和目標(biāo)檢測(cè)領(lǐng)域上具有令人滿意的效果，但是這些效果多是在實(shí)驗(yàn)室的高性能計(jì)算機(jī)中得到的，如YOLO-v1在2016年的計(jì)算機(jī)配置中，使用了4塊Titan X顯卡，每一個(gè)塊顯卡的算力達(dá)到6.9 TFLOPs，而移動(dòng)端當(dāng)前最新的處理器高通驍龍 865處理器的算力為1.5TFLOPS，不及于4年前計(jì)算機(jī)的1/4，因此最前沿的卷積神經(jīng)網(wǎng)絡(luò)的效率問題一直為人所詬病，也正因?yàn)檫@個(gè)原因，卷積神經(jīng)網(wǎng)絡(luò)在很長(zhǎng)的一段時(shí)間內(nèi)，都是停留在實(shí)驗(yàn)室當(dāng)中，真正的應(yīng)用較少。人們也一直致力于在卷積神經(jīng)網(wǎng)絡(luò)移動(dòng)端的移植應(yīng)用，但是多是停留在網(wǎng)絡(luò)剪枝和減少網(wǎng)絡(luò)層數(shù)等方法上，沒有根本地解決卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜的問題。直到 2016年提出 Squeeze Net[13]和 2017年 google團(tuán)隊(duì)提出 Mobile Net[14]后，輕量化的卷積神經(jīng)網(wǎng)絡(luò)算是有了比較明確的發(fā)展方向與路徑。

近年便攜式設(shè)備得到了迅速的普及，用戶也對(duì)其提出了越來越多的需求，尤其在神經(jīng)網(wǎng)絡(luò)的應(yīng)用上。因此，如何設(shè)計(jì)高效、高性能的輕量化神經(jīng)網(wǎng)絡(luò)是解決問題的關(guān)鍵。本文詳細(xì)闡述了Squeeze Net，Mobile Net和 Shuffle Net[15]等三種輕量化神經(jīng)網(wǎng)絡(luò)，同時(shí)簡(jiǎn)要總結(jié)和分析了每種方法的特點(diǎn)，最后總結(jié)現(xiàn)有的方法，并給出了未來發(fā)展的前景。

1 傳統(tǒng)CNN的限制

隨著CNN性能要求越來越高，傳統(tǒng)的網(wǎng)絡(luò)已經(jīng)無法滿足大家的需求，于是乎大家紛紛提出性能更優(yōu)越的 CNN網(wǎng)絡(luò)，在 AlexNet后，有如VGG、GoogLeNet、ResNet一系列網(wǎng)絡(luò)等。而這些網(wǎng)絡(luò)的性能得到提升的重要原因是在于網(wǎng)絡(luò)層數(shù)的不斷增加。從7層AlexNet到16層VGG，再?gòu)?6層VGG到GoogLeNet的22層，再到152層 ResNet（更有上千層的 ResNet）。雖然網(wǎng)絡(luò)性能得到了逐步提高，但隨之而來的就是效率問題。

表1 幾種傳統(tǒng)卷積申請(qǐng)網(wǎng)絡(luò)概況Tab.1 Overview of several traditional convolution application networks

效率問題主要是模型的存儲(chǔ)問題和模型進(jìn)行預(yù)測(cè)的速度問題。第一，存儲(chǔ)問題。大型網(wǎng)絡(luò)有著大量的權(quán)值參數(shù)，保存大量權(quán)值參數(shù)對(duì)設(shè)備的內(nèi)存要求很高；第二，速度問題。在實(shí)際應(yīng)用中，往往是毫秒級(jí)別，而在現(xiàn)有的移動(dòng)設(shè)備的處理器來講，很難滿足此要求，因此減少計(jì)算量成為了主要的技術(shù)手段。

如何解決 CNN網(wǎng)絡(luò)在存儲(chǔ)上和速度上的問題，成了這些網(wǎng)絡(luò)是否能夠應(yīng)用在實(shí)際場(chǎng)景的關(guān)鍵問題，因此，輕量化CNN應(yīng)運(yùn)而生。

2 典型輕量化模型的詳述

2.1 Squeez e Net

針對(duì)不用的應(yīng)用場(chǎng)景，在CNN的框架下重新設(shè)計(jì)每一層網(wǎng)絡(luò)，該方法是的輕量化神經(jīng)網(wǎng)絡(luò)成為研究得熱點(diǎn)，標(biāo)志性的事件是 Squeeze Net 的提出，該方法使用了AlexNet五十分之一的計(jì)算，達(dá)到了幾乎一樣的效果。該方法把多個(gè)稱為 Fire Module的CNN模塊構(gòu)建而成。所謂Fire Module是由兩個(gè)模塊組成，分別是 Squeeze模塊和Expand模塊，所謂Squeeze就是多個(gè)1×1的卷積核，借鑒了GoogLeNet的思想，使用1×1的卷積核的使得 squeeze模塊變成一個(gè)瓶頸層[16]，減少網(wǎng)絡(luò)通道數(shù)，以減少計(jì)算量，然后再利用Expand模塊把通道數(shù)增加，如圖1所示，原128個(gè)通道輸入，通過Squeeze層，變?yōu)?6個(gè)輸出，再通過Expand層的兩個(gè)64通道，結(jié)合變?yōu)?28個(gè)通道，還原為原來的尺寸大小。

圖1 某一層Fire Module的詳解計(jì)算過程Fig.1 Detailed calculation process of a certain layer of Fire Module

此外，還采用了將池化層采樣操作延后的方法，可以給卷積層提供更大的激活圖：更大的激活圖保留了更多的信息，可以提供更高的分類準(zhǔn)確率，當(dāng)然此方法是為了提高準(zhǔn)確率，但是因?yàn)槌鼗瘜拥难雍?，?duì)其計(jì)算量會(huì)有一定的增加。

2.2 Mobile Net

Mobile Net是google團(tuán)隊(duì)在2017年提出的一種新型輕量化CNN模型，Mobile Net的基本單元是深度可分離單元（Depthwise Separable Convolution）[17]，分為兩個(gè)部分，分別是深度卷積（Depthwise Convolution）和逐點(diǎn)卷積（Pointwise Convolution）[18]，如圖 2。

其中深度卷積和標(biāo)準(zhǔn)卷積不同，對(duì)于標(biāo)準(zhǔn)卷積其卷積核是用在所有的輸入通道上，而深度卷積針對(duì)每個(gè)輸入通道采用不同的卷積核，就是說一個(gè)卷積核對(duì)應(yīng)一個(gè)輸入通道，通道之間直接沒有交叉聯(lián)系，因此其計(jì)算量大大減小。

圖2 標(biāo)準(zhǔn)卷積與深度可分離卷積Fig.2 Standard convolution and depth separable convolution

此外，為了進(jìn)一步壓縮參數(shù)數(shù)量，該方法還準(zhǔn)備了兩個(gè)參數(shù)，分別為寬度算子（Width Multiplier）α，和分別率算子（Resolution Multiplier）ρ。兩個(gè)參數(shù)均為小于1的小數(shù)，分別乘以輸入通道M和輸出通道N，和輸入圖像的尺寸。減小輸入、輸出通道，和輸入圖像的尺寸，可以進(jìn)一步壓縮數(shù)據(jù)，也就減小的數(shù)據(jù)和計(jì)算量了。

2.3 Shuffle Net

ShuffleNet是Face++團(tuán)隊(duì)在2017年末提出的模型，是把前人關(guān)于輕量化模型和壓縮模型的方法結(jié)合起來，核心是利用原有的ResNet，采用了通道重組（channel shuffle）、組卷積（pointwise group convolution）[19]和深度卷積（depthwise separable convolution）來修改原來的ResNet單元。

2.3.1 通道重組

分組卷積能有效減少計(jì)算量，一般卷積操作中比如輸入通道的數(shù)量是 N，該卷積核的數(shù)量是M，那么M個(gè)卷積核都要和N個(gè)通道進(jìn)行卷積計(jì)算，然后相加作為一個(gè)卷積的結(jié)果。利用了分組計(jì)算，設(shè)g組數(shù)為g，那么N個(gè)輸入通道就被分成g個(gè)組，M個(gè)卷積核就被分成g個(gè)組，分組卷積時(shí)，第一個(gè)組的M/g個(gè)卷積核中的每一個(gè)都和第一個(gè)組的N/g個(gè)輸入通道做卷積得到結(jié)果，第二個(gè)組同理，直到最后一個(gè)組。這種操作可以大大減少計(jì)算量，因?yàn)槟忝總€(gè)卷積核不再是和輸入的全部通道做卷積，而是和一個(gè)組的通道做卷積。

但是如果多個(gè)組操作疊加在一起，某個(gè)輸出通道僅僅來自自己輸入通道，并不包含其他通道，輸出的特征會(huì)非常局限，而使用通道重組，可以解決這個(gè)問題。通道重組技術(shù)在分組時(shí)對(duì)所有的組進(jìn)行重組操作（shuffle），這樣每個(gè)輸出的通道，便包含了所有輸入通道的數(shù)據(jù)，得到更為合理的結(jié)果。

如圖 3所示，為了便于理解，以顏色通道為例，從左到右分別為紅色、綠色和藍(lán)色。在未進(jìn)行重組前，每一組的輸出，只跟輸入數(shù)據(jù)的有關(guān)系（如圖a中紅色部分）；而在重組以后，每一輸出都包含了所有的輸入通道元素（如圖c中，每一個(gè)輸出通道都包含輸入的三種顏色）。

圖3 分組卷積思想Fig.3 Gr ouped convolution idea

2.3.2 計(jì)算量對(duì)比

以普通二維卷積為例，設(shè)輸入的數(shù)據(jù)格式為：m×m×h1，卷積核為：k×k，輸出的數(shù)據(jù)格式為：n×n×h2：

參 數(shù)量：k×k×h1×h2

計(jì)算量：k×k×h1×h2×n×n

而利用分組卷積技術(shù)，假設(shè)分組大小為g，則：參數(shù)量：

(k×k×h1/g×h2/g) ×g=k×k×h1×h2/g計(jì)算量：

(k×k×h1/g×h2/g×n×n) /g=k×k×h1×h2×n×n/g

可見，參數(shù)量和計(jì)算量均為未分組的1/g。

3 輕量化網(wǎng)絡(luò)的構(gòu)建原則

從前文可知，輕量化網(wǎng)絡(luò)基本都是在原有網(wǎng)絡(luò)的基礎(chǔ)上，利用各種方法進(jìn)行修改，目的是為了減少參數(shù)量和計(jì)算量，從前面的幾種典型輕量化網(wǎng)絡(luò)中不難發(fā)現(xiàn)其構(gòu)建原則。

3.1 可分離卷積的應(yīng)用

CNN模型大的一個(gè)很重要因素就是參數(shù)較多，并且參數(shù)時(shí)間計(jì)算量大，幾乎每個(gè)參數(shù)都有乘法和加法運(yùn)算?？煞蛛x卷積是降低計(jì)算量的一個(gè)重要手段，利用可分離卷積，可以把卷積層運(yùn)算分為兩層（一般的輕量化卷積都采用兩層）甚至更多，層數(shù)的增多可以使得參數(shù)設(shè)置上比較靈活，一般第一步采用較少量卷積與數(shù)據(jù)進(jìn)行卷積運(yùn)算，第二步采用1×1卷積核，把輸出結(jié)構(gòu)還原成輸入結(jié)構(gòu)。這就是所謂可分離卷積，實(shí)際是使用了瓶頸層的思想。

3.2 分組卷積的應(yīng)用

眾所周知，分組卷積可以大大減低計(jì)算量，而分組卷積中“分組”，根據(jù)應(yīng)用場(chǎng)景，可以分為方法，具體有多分辨率卷積核分組、多尺度分組、多通道分組等。這幾種方法在不同的輕量化卷積中都有應(yīng)用到，但是在使用的時(shí)候必須注意分組的參數(shù)，如多分辨率卷積核的大小，多通道分組中分組的數(shù)量等，不能一味追求減低計(jì)算量，需要在表現(xiàn)和性能上做一個(gè)折中。

3.3 簡(jiǎn)單超參數(shù)的應(yīng)用

輕量化網(wǎng)絡(luò)的主要任務(wù)是對(duì)于網(wǎng)絡(luò)的修改，但是在此以外，有一點(diǎn)也不能忽略，就是一些超參數(shù)的設(shè)置，在構(gòu)建網(wǎng)絡(luò)的時(shí)候，適當(dāng)?shù)卦O(shè)置多一些超參數(shù)，如分組的組數(shù)，輸入、輸出、中間數(shù)據(jù)的尺寸等。這些簡(jiǎn)單的超參數(shù)設(shè)置起來比較簡(jiǎn)單，但是有時(shí)候能在某些方面得到意想不到的結(jié)果，如減小中間層的尺寸，可能不會(huì)影響準(zhǔn)確率，但是計(jì)算量卻是能有效減小。

4 總結(jié)

根據(jù)原有CNN的基礎(chǔ)上，構(gòu)建新的網(wǎng)絡(luò)，是近年來輕量化網(wǎng)絡(luò)能夠蓬勃發(fā)展的一個(gè)重要方法。輕量化網(wǎng)絡(luò)的出現(xiàn)，將大而笨重的CNN從實(shí)驗(yàn)室中請(qǐng)了出來，逐漸走到實(shí)際的應(yīng)用設(shè)備的應(yīng)用中。除了該方法以外，還有CNN網(wǎng)絡(luò)壓縮[20]、基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索（Neural Architecture Search，NAS）[21]的自動(dòng)化設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)、基于 AutoML的自動(dòng)模型壓縮等一些列方法，這些方法中不泛很多簡(jiǎn)易的方法，如自動(dòng)設(shè)計(jì)方法。

但是這些方法有著效果不理想，如CNN網(wǎng)絡(luò)壓縮方法，有時(shí)候并不能應(yīng)用在移動(dòng)設(shè)備中；而自動(dòng)設(shè)計(jì)方法的難度較大，較高，并不適用于大多數(shù)的研究人員。構(gòu)建新網(wǎng)絡(luò)的方法有著門檻較低，效果較好等優(yōu)點(diǎn)，盡管網(wǎng)絡(luò)構(gòu)建中有著很多不確定因素，但是得到較好結(jié)果的難度不大，因此在一定的時(shí)期內(nèi)仍然具有旺盛的生命力。