[论文笔记] MobileNet 系列论文笔记

川长思鸟来 2022-03-15 14:14 773阅读 0赞

> 随着算力的不断提升，人们所提出的网络模型越发的庞大，但是实际应用中，往往无法提供较强的计算资源。于是网络轻量化又成为了大家关注的热点，而 Google 所提出的 Mobile Net，因其性能良好也受到众多研究者的喜爱。

### 目录 ###

**1. MobileNet**  
**2. MobileNet v2**

### 1. Mobile Net ###

> 论文题目：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications  
> 论文作者：Andrew G. Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam  
> 所属机构：Google  
> 论文链接：https://arxiv.org/pdf/1704.04861.pdf

**(1) 摘要：**

2017年，Google 提出了 MobileNet，一种基于 streamlined architecture 并采用 depthwise separable convolution 的轻量化网络。此外，作者在论文中提出了两个超参数：Width Multiplier 和 Resolution Multiplier，使得人们可以根据任务需要与实际场景对模型进行 latency 和 accuracy 的权衡。

![20190316165855522.jpg][]

**个人想法：**  
虽然随着深度学习的发展，神经网络在许多任务上都已取得不错的表现，但实际落地的却寥寥无几。我认为主要原因在于现在大家所推出的神经网络往往大而复杂，需要很大的内存与很强的计算能力，这些在实际应用中往往很难提供，毕竟你不能各个产品都装个 GPU 吧，也不现实。  
而目前对于轻量化神经网络也成为一个热门的话题，目前关于这个研究应该主要分为两个主流方向：

1.  对训练好的复杂模型进行压缩
2.  设计小模型（层数少，参数少）

当然，不论采用哪种方向，目标都是在保持模型性能的前提下，降低模型大小，提高模型速度。

**(2) 模型结构：**

**关于 Depthwise Separable Convolution：**

Depthwise Separable Convolution 其实是将 Standard Convolution 拆分成两个部分：Depthwise Convolution 和 Pointwise Convolution。

其实这个概念不难理解，只需要看作者所提供的图就好了：

原先的 Standard Convolution 中每个 Filter 的 shape 为  ( D k , D k , M ) (D\_k,D\_k,M) (Dk,Dk,M)，其中  M M M 为所输入 Feature Map 的 channel 数。每个 Filter 在所输入的 Feature Map 上进行卷积，输出的 shape 为  ( D o u t , D o u t , 1 ) (D\_\{out\},D\_\{out\},1) (Dout,Dout,1)，如果有  N N N 个 Fliter，则输出的 shape 为  ( D o u t , D o u t , N ) (D\_\{out\},D\_\{out\},N) (Dout,Dout,N)。

反观 Depthwise Separasble Convolution：在 Depthwise Convolution 阶段，每个 Depthwise Convolution Fliter 的 shape 为  ( D k , D k , 1 ) (D\_k,D\_k,1) (Dk,Dk,1)，共有  M M M 个 Filer，则输出结果的 shape 为  ( D o u t , D o u t , M ) (D\_\{out\},D\{out\},M) (Dout,Dout,M)；接着在 Pointwise Convolution 阶段， 每个 Pointwise Convolution Filter 的 shape 为  ( 1 , 1 , M ) (1,1,M) (1,1,M)，共有  N N N 个 Filter，则输出结果的 shape 为  ( D o u t , D o u t , N ) (D\_\{out\},D\_\{out\},N) (Dout,Dout,N)。

![20190316171418740.jpg][]

可以明显看出，Standard Convolution 所需参数为  D k ∗ D k ∗ M ∗ N D\_k\*D\_k\*M\*N Dk∗Dk∗M∗N，而 Depthwise Separable Convolution 所需参数为  D k ∗ D k ∗ M + M ∗ N = M ∗ ( D k ∗ D k + N ) D\_k\*D\_k\*M + M\*N = M\*(D\_k\*D\_k+N) Dk∗Dk∗M\+M∗N=M∗(Dk∗Dk\+N)，与 Standard Convolution 相比，所减少的参数数量为  ( N − 1 ) ∗ D k ∗ D k − N (N-1)\*D\_k\*D\_k-N (N−1)∗Dk∗Dk−N。

作者在论文中，也分别对 Standard Convolution 和 Depthwise Separable Convolution 的计算代价做了对比：

![20190316173920336.jpg][]![20190316173931354.jpg][]![20190316173940456.jpg][]

**关于 MobileNet：**

![20190316174201100.jpg][]![20190316174211449.jpg][]

**关于 Width Multiplier：**

作者在论文中提出，可以利用超参数  α \\alpha α 控制 MobileNet 的通道数，使得输入 Feature Map 的 channel 数变为  α M \\alpha M αM，输出 Feature Map 的 channel 数变为  α N \\alpha N αN。  
其中， α = 1 \\alpha=1 α=1为 baseline MobileNet， α < 1 \\alpha<1 α<1为 reduced MobileNet。

![20190316191623133.jpg][]

**关于 Resolution Multiplier：**

作者在论文中提出，可以利用超参数  ρ \\rho ρ 控制 MobileNet 的 resolution。  
其中， ρ = 1 \\rho=1 ρ=1为 baseline MobileNet， ρ < 1 \\rho<1 ρ<1为 reduced MobileNet。

![20190316191633492.jpg][]

**(3) 实验结果：**

![20190316174455911.jpg][]![20190316174509411.jpg][]![20190316174523845.jpg][]![20190316174535619.jpg][]

### 2. Mobile Net v2 ###

> 论文题目：MobileNetV2: Inverted Residuals and Linear Bottlenecks  
> 论文作者：Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov, Liang-Chieh Chen  
> 所属机构：Google  
> 论文链接：https://arxiv.org/pdf/1801.04381.pdf

**(1) 摘要：**

2018年，Google 在 MobileNet 基础上提出了新的模型 MobileNet v2，其中，提出了新的结构 **Inverted Residuals and Linear Bottlenecks**，并利用MobileNet v2 实现分类/目标检测/语义分割多目标任务。

**(2) 模型结构：**

**关于 Inverted Residuals and Linear Bottlenecks：**

首先，先讲清楚什么是 **Inverted Residuals and Linear Bottlenecks** 结构：

下图是 Residual block 与 Invereted residual block 的区别，可以看到原先的 Residual block 是先降 channel 再升 channel 的，不过现在 Inverted residual block 却是先升 channel 再降 channel 的。

![20190405170310513.jpg][]

其次是 **Linear** 的部分，作者在文中指出 ReLU 的使用将会使得 low-dimension channel tensor 产生崩塌，造成信息损失，故将最后的 ReLU6 去掉，直接进行线性输出。（关于 ReLU6：卷积之后通常会接一个ReLU非线性激活，在Mobile v1里面使用ReLU6，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。）

作者对于这部分做了详细的实验与推导，在此我尽量进行描述：

作者首先提到\*\* It has been long assumed that manifolds of interest in neural networks could be embedded in low-dimensional subspaces. \*\*，其次利用实验探究 ReLU 所带来的信息损失：

![20190405172240551.jpg][]

他人见解：

> 1.  这意味着，在较低维度的张量表示（兴趣流形）上进行ReLU等线性变换会有很大的信息损耗。因而本文提出使用线性变换替代Bottleneck的激活层，而在需要激活的卷积层中，使用较大的M使张量在进行激活前先扩张，整个单元的输入输出是低维张量，而中间的层则用较高维的张量。
> 2.  用线性变换层替换channel数较少的层中的ReLU，这样做的理由是ReLU会对channel数低的张量造成较大的信息损耗。我个人的理解是ReLU会使负值置零，channel数较低时会有相对高的概率使某一维度的张量值全为0，即张量的维度减小了，而且这一过程无法恢复。张量维度的减小即意味着特征描述容量的下降。

关于这部分我的理解比较肤浅，建议大家阅读论文，并查阅他人的见解：

> To summarize, we have highlighted two properties that are indicative of the requirement that the manifold of interest should lie in a low-dimensional subspace of the higher-dimensional activation space:
> 
> 1.  If the manifold of interest remains non-zero volume after ReLU transformation, it corresponds to a linear transformation.
> 2.  ReLU is capable of preserving complete information about the input manifold, but only if the input manifold lies in a low-dimensional subspace of the input space.

**关于 Mobile Net v2：**

![20190405165252802.jpg][]![20190405165309348.jpg][]

**(3) 实验结果：**

**ImageNet Classification：**

![20190405164625655.jpg][]![2019040516482887.jpg][]

**Object Detection：**

作者基于 SSD，提出了一个对手机设备友好的 SSDLite 模型，用于解决 Object Detection 任务。

![20190405164949966.jpg][]

**Semantic Segmentation：**

作者将 DeepLabv3 与 Mobile Net 进行结合，用于解决 Semantic Segmentation 任务。

![20190405165109718.jpg][]

**参考资料：**

*  [CNN模型之MobileNet][CNN_MobileNet]
 *  [轻量级网络–MobileNet论文解读][MobileNet]
 *  [轻量级网络–MobileNetV2论文解读][MobileNetV2]
 *  [MobileNetV2阅读笔记][MobileNetV2 1]
 *  [如何评价mobilenet v2 ?][mobilenet v2]
 *  [\[论文笔记\](MobileNet V2)Inverted Residuals and Linear Bottlenecks: Mobile Networks for Classification, Detection and Segmentation][MobileNet V2_Inverted Residuals and Linear Bottlenecks_ Mobile Networks for Classification_ Detection and Segmentation]

--------------------

**如果你看到了这篇文章的最后，并且觉得有帮助的话，麻烦你花几秒钟时间点个赞，或者受累在评论中指出我的错误。谢谢！**

**作者信息：**  
**知乎：[没头脑][Link 1]**  
**CSDN：[Code\_Mart][Code_Mart]**  
**Github：[Tao Pu][]**

[20190316165855522.jpg]: /images/20220315/d82d7e779c0b477da22d1dd4cf4ba6ba.png
[20190316171418740.jpg]: /images/20220315/f5facb80697a4b36ab0472ced105c238.png
[20190316173920336.jpg]: https://img-blog.csdnimg.cn/20190316173920336.jpg
[20190316173931354.jpg]: https://img-blog.csdnimg.cn/20190316173931354.jpg
[20190316173940456.jpg]: /images/20220315/d31f2e8314c14e8bba418dfce2240706.png
[20190316174201100.jpg]: https://img-blog.csdnimg.cn/20190316174201100.jpg
[20190316174211449.jpg]: /images/20220315/035575c211494d20a24f185a565f0a06.png
[20190316191623133.jpg]: /images/20220315/9f9b1a1dd67646c196c07948315b0f91.png
[20190316191633492.jpg]: /images/20220315/5a9ad9126d75462189f0f9adef24264c.png
[20190316174455911.jpg]: https://img-blog.csdnimg.cn/20190316174455911.jpg
[20190316174509411.jpg]: https://img-blog.csdnimg.cn/20190316174509411.jpg
[20190316174523845.jpg]: https://img-blog.csdnimg.cn/20190316174523845.jpg
[20190316174535619.jpg]: /images/20220315/75bfe99086684806830ae515648883fa.png
[20190405170310513.jpg]: /images/20220315/9fd54adec6f445968e87e87e692816d1.png
[20190405172240551.jpg]: /images/20220315/97fb5502820944e58176fb30fd60066a.png
[20190405165252802.jpg]: https://img-blog.csdnimg.cn/20190405165252802.jpg
[20190405165309348.jpg]: /images/20220315/e4959a8f2d3f4cd998ab1a2ae0ad3a91.png
[20190405164625655.jpg]: https://img-blog.csdnimg.cn/20190405164625655.jpg
[2019040516482887.jpg]: /images/20220315/81831e3df1b84c94a5b7ecd0b2492497.png
[20190405164949966.jpg]: /images/20220315/12d395071c62456e92c338d7112eeb89.png
[20190405165109718.jpg]: /images/20220315/d99ceb55efa04ebbbd14932d70c8bc81.png
[CNN_MobileNet]: https://zhuanlan.zhihu.com/p/31551004
[MobileNet]: https://blog.csdn.net/u011974639/article/details/79199306
[MobileNetV2]: https://blog.csdn.net/u011974639/article/details/79199588
[MobileNetV2 1]: https://zhuanlan.zhihu.com/p/33052910
[mobilenet v2]: https://www.zhihu.com/question/265709710
[MobileNet V2_Inverted Residuals and Linear Bottlenecks_ Mobile Networks for Classification_ Detection and Segmentation]: https://blog.ddlee.cn/posts/c9816b0a/#Intuition
[Link 1]: https://www.zhihu.com/people/putao537
[Code_Mart]: https://me.csdn.net/Code_Mart
[Tao Pu]: https://github.com/putao537