ShuffleNet

最新推荐文章于 2025-11-21 11:59:54 发布

转载最新推荐文章于 2025-11-21 11:59:54 发布 · 739 阅读

1 ·

CC 4.0 BY-SA版权

原文链接：https://blog.youkuaiyun.com/u011974639/article/details/79200559

文章标签：

#深度学习 #计算机视觉 #cnn

深度学习专栏收录该内容

16 篇文章

订阅专栏

ShuffleNet是一种专为计算能力有限的移动设备设计的卷积神经网络，它通过引入逐点群卷积和通道混洗来降低计算复杂度，同时保持高精度。在ImageNet和MSCOCO数据集上，ShuffleNet的表现优于其他先进模型。逐点群卷积减少了计算资源的消耗，但可能导致信息流通受限，通道混洗则解决了这一问题，使不同通道间的信息能有效流通。ShuffleNetUnit是模型的基本构建块，结合了深度可分离卷积和通道混洗，实现了高效的计算。通过调整模型的放缩因子，可以定制满足特定计算预算的ShuffleNet变体。

旷视科技提出ShuffleNet，专门应用于计算力有限的移动设备，新的架构利用连个操作：逐点群卷积(pointwise group convolution)和通道混洗(channel shuffle)，与现有先进模型相比在类似的精度下大大降低了计算量，在ImageNet和MS COCO上ShuffleNet表现出比其他先进模型的优越性能。

现有的ResNeX在小型网络中效率较低，因为大量的1x1卷积耗费很多计算资源，论文提出了逐点群卷积(pointwise group convolution)帮助降低计算复杂度，但是采用逐点群卷积会有副作用，故在此基础上，论文提出通道混洗(channel shuffle)帮助信息流通。基于这两种技术，我们构建一个名为ShuffleNet的高效架构。

Related Work
高效模型设计： CNNs在CV任务中取得了极大的成功，在嵌入式设备上运行高质量深度神经网络需求越来越大，这也促进了对高效模型的探究。例如，与单纯的堆叠卷积层，GoogleNet增加了网络的宽度，复杂度降低很多；SqueezeNet在保持精度的同时大大减少参数和计算量；ResNet利用高效的bottleneck结构实现惊人的效果。Xception中提出深度可分卷积概括了Inception序列。MobileNet利用深度可分卷积构建的轻量级模型获得了先进的成果；ShuffleNet的工作是推广群卷积(group convolution)和深度可分卷积(depthwise separable convolution)。

模型加速：该方向旨在保持预训练模型的精度同时加速推理过程。常见的工作有：通过修剪网络连接或减少通道数减少模型中连接冗余；量化和因式分解减少计算中冗余；不修改参数的前提下，通过FFT和其他方法优化卷积计算消耗；蒸馏将大模型的知识转化为小模型，使得小模型训练更加容易；ShuffleNet的工作专注于设计更好的模型，直接提高性能，而不是加速或转换现有模型。

针对群卷积的通道混洗

现代卷积神经网络会包含多个重复模块。其中，最先进的网络例如Xception和ResNeXt将有效的深度可分离卷积或群卷积引入构建block中，在表示能力和计算消耗之间取得很好的折中。但是，我们注意到这两个设计都没有充分采用1 × 1 的逐点卷积，因为这需要很大的计算复杂度。例如，在ResNeXt中3 × 3 卷积配有群卷积，逐点卷积占了93.4%的multiplication-adds。

在小型网络中，昂贵的逐点卷积造成有限的通道之间充满约束，这会显著降低损失精度，为了解决这个问题，一个直接的方法是应用通道稀疏连接，例如组卷积，通过确保每个卷积操作仅在对应的输入通道组上，组卷积可以显著的降低计算损失。然而如果多个组卷积堆叠在一起，会有一个副作用，某个通道输出仅从一小部分输入通道中导出，这样的属性降低了通道组之间的信息流通

如果我们允许组卷积能够得到不同组的输入数据，即上图(b)所示效果，那么输入和输出通道会是全关联的。具体来说，对于上一层输出的通道，我们可做一个混洗(Shuffle)操作，如上图©所示，再分成几个组，feed到下一层。

对于这个混洗操作，有一个有效高雅(efficiently and elegantly)的实现:
对于一个卷积层分为g gg组，

1、有g x n个输出通道

2、reshape为(g,n)

3、再转置为(n,g)

4、平坦化，再分回g组作为下一层的输入

示意图如下：

这样操作有点在于是可微的，模型可以保持end-to-end训练.

Shuffle uint

前面我们讲了通道混洗的好处了，在实际过程中我们构建了一个ShuffleNet unit，便于构建实际模型。

1、图(a)是一个残差模块，对于主分支部分，我们可将其中标准卷积3x3拆分成深度可分离卷积，我们将第一个1x1卷积替换成逐点组卷积，再做通道混洗(b)

2、图(b)即ShuffleNet unit，主分支最后的1 × 1 Conv改为1 × 1 GConv，为了适配和恒等映射做通道融合，配合BN层和ReLU激活函数构成基本单元.

在辅分支加入步长为2的3×3平均池化
原本做元素相加的操作转为了通道级联，这扩大了通道维度，增加的计算成本却很少

归功于逐点群卷积和通道混洗，ShuffleNet unit可以高效的计算。相比于其他先进的单元，在相同设置下复杂度较低。

NetWork Architecture

在上面的基本单元基础上，我们提出了ShuffleNet的整体架构：

主要分为三个阶段：

每个阶段的第一个block的步长为2，下一阶段的通道翻倍
每个阶段内的除步长其他超参数保持不变
每个ShuffleNet unit的bottleneck通道数为输出的1/4(和ResNet设置一致)
这里主要是给出一个baseline。在ShuffleNet Unit中，参数g gg控制逐点卷积的连接稀疏性(即分组数)，对于给定的限制下，越大的g gg会有越多的输出通道，这帮助我们编码信息。

定制模型需要满足指定的预算，我们可以简单的使用放缩因子s 控制通道数，ShuffleNets ×即表示通道数放缩到s 倍。