超越谷歌MobileNet！華為提出端側(cè)神經(jīng)網(wǎng)絡(luò)架構(gòu)GhostNet｜已開源

乾明 2020-02-29 12:29:18 來源：量子位

乾明 編輯整理
量子位 報(bào)道 | 公眾號 QbitAI

同樣精度，速度和計(jì)算量均少于此前SOTA算法。這就是華為諾亞方舟實(shí)驗(yàn)室提出的新型端側(cè)神經(jīng)網(wǎng)絡(luò)架構(gòu)GhostNet。

GhostNet的核心是Ghost模塊，與普通卷積神經(jīng)網(wǎng)絡(luò)相比，在不更改輸出特征圖大小的情況下，其所需的參數(shù)總數(shù)和計(jì)算復(fù)雜度均已降低，而且即插即用。

在ImageNet分類任務(wù)中，GhostNet在各種計(jì)算復(fù)雜度級別上始終優(yōu)于其他競爭對手，比如谷歌的MobileNet系列、曠視的ShuffleNet系列、IGCV3、ProxylessNAS、FBNet、MnasNet等等。

關(guān)于GhostNet的論文已經(jīng)被CVPR 2020收錄，模型與代碼也已經(jīng)在GitHub上開源。華為諾亞方舟實(shí)驗(yàn)室是如何做到的？我們根據(jù)作者團(tuán)隊(duì)的解讀，一一看來。

核心理念：用更少的參數(shù)來生成更多特征圖

通常情況下，為了保證模型對輸入數(shù)據(jù)有全面的理解，訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)中，會(huì)包含豐富甚至冗余的特征圖。

如下圖所示，ResNet-50中，將經(jīng)過第一個(gè)殘差塊處理后的特征圖，會(huì)有出現(xiàn)很多相似的“特征圖對”——它們用相同顏色的框注釋。

這樣操作，雖然能實(shí)現(xiàn)較好的性能，但要更多的計(jì)算資源驅(qū)動(dòng)大量的卷積層，來處理這些特征圖。

在將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用到移動(dòng)設(shè)備的浪潮中，怎么保證性能不減，且計(jì)算量變得更少，成為研究的重點(diǎn)之一。

谷歌的MobileNet團(tuán)隊(duì)，以及曠視的ShuffleNet團(tuán)隊(duì)，最近想了不少辦法來構(gòu)建低計(jì)算量的深度神經(jīng)網(wǎng)絡(luò)。但他們采取的深度卷積或混洗操作，依舊是在卷積上下功夫——用較小的卷積核（浮點(diǎn)運(yùn)算）。

華為諾亞實(shí)驗(yàn)室的團(tuán)隊(duì)沒有沿著這條路前進(jìn)，而是另辟蹊徑：

“特征圖對”中的一個(gè)特征圖，可以通過廉價(jià)操作（上圖中的扳手）將另一特征圖變換而獲得，則可以認(rèn)為其中一個(gè)特征圖是另一個(gè)的“幻影”。

這是不是意味著，并非所有特征圖都要用卷積操作來得到？“幻影”特征圖，也可以用更廉價(jià)的操作來生成？

于是就有GhostNet的基礎(chǔ)——Ghost模塊，用更少的參數(shù)，生成與普通卷積層相同數(shù)量的特征圖，其需要的算力資源，要比普通卷積層要低，集成到現(xiàn)有設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，則能夠降低計(jì)算成本。

具體的操作在這里就不詳細(xì)敘述了，如果你有興趣，可以去看下論文（地址在文末）。

構(gòu)建新型端側(cè)神經(jīng)網(wǎng)絡(luò)架構(gòu)GhostNet

利用Ghost模塊的優(yōu)勢，研究團(tuán)隊(duì)提出了一個(gè)專門為小型CNN設(shè)計(jì)的Ghost bottleneck（G-bneck）。其架構(gòu)如下圖所示，與ResNet中的基本殘差塊（Basic Residual Block）類似，集成了多個(gè)卷積層和shortcut。

Ghost bottleneck主要由兩個(gè)堆疊的Ghost模塊組成。第一個(gè)用作擴(kuò)展層，增加了通道數(shù)。第二個(gè)用于減少通道數(shù)，以與shortcut路徑匹配。然后，使用shortcut連接這兩個(gè)Ghost模塊的輸入和輸出。

研究團(tuán)隊(duì)表示，這里借鑒了MobileNetV2中的思路：第二個(gè)Ghost模塊之后不使用ReLU，其他層在每層之后都應(yīng)用了批量歸一化（BN）和ReLU非線性激活。

這里說的Ghost bottleneck，適用于上圖Stride= 1情況。對于Stride = 2的情況，shortcut路徑由下采樣層和Stride = 2的深度卷積（Depthwise Convolution）來實(shí)現(xiàn)。

此外，而且出于效率考慮，Ghost模塊中的初始卷積是點(diǎn)卷積（Pointwise Convolution）。

在Ghost bottleneck的基礎(chǔ)上，研究團(tuán)隊(duì)提出了GhostNet——遵循MobileNetV3的基本體系結(jié)構(gòu)的優(yōu)勢，用Ghost bottleneck替換MobileNetV3中的bottleneck。

第一層是具有16個(gè)卷積核的標(biāo)準(zhǔn)卷積層，然后是一系列Ghost bottleneck，通道逐漸增加。

Ghost bottleneck根據(jù)輸入特征圖的大小分為不同的階段，除了每個(gè)階段的最后一個(gè)Ghost bottleneck是Stride = 2，其他所有Ghost bottleneck都以Stride = 1進(jìn)行應(yīng)用。

最后，會(huì)利用全局平均池和卷積層將特征圖轉(zhuǎn)換為1280維特征向量以進(jìn)行最終分類。SE模塊也用在了某些Ghost bottleneck中的殘留層。與MobileNetV3相比，這里用ReLU換掉了Hard-swish激活函數(shù)。

研究團(tuán)隊(duì)表示，這里的架構(gòu)只是一個(gè)基本的設(shè)計(jì)參考，進(jìn)一步的超參數(shù)調(diào)整或基于自動(dòng)架構(gòu)搜索的Ghost模塊將進(jìn)一步提高性能。

ImageNet分類任務(wù)超過谷歌MobileNet

如此思路設(shè)計(jì)出來的神經(jīng)網(wǎng)絡(luò)架構(gòu)，性能到底如何？研究團(tuán)隊(duì)從各個(gè)方面驗(yàn)證。

首先，在CIFAR-10數(shù)據(jù)集上，他們將Ghost模塊用在VGG-16和ResNet-56架構(gòu)中，與幾個(gè)代表性的最新模型進(jìn)行了比較。

Ghost-VGG-16 ( s=2)以最高的性能（93.7%）勝過競爭對手，但算力消耗（FLOPs）明顯減少。在比VGG-16小得多的ResNet-56上，基于Ghost模塊的模型，將計(jì)算量降低一半，還能獲得可比的精度。

在論文中，他們提供了Ghost模塊生成的特征圖。下圖展示了Ghost-VGG-16的第二層特征，左上方的圖像是輸入，左紅色框中的特征圖來自初始卷積，而右綠色框中的特征圖是經(jīng)過廉價(jià)深度變換后的幻影特征圖。

研究團(tuán)隊(duì)表示，盡管生成的特征圖來自原始特征圖，但它們之間確實(shí)存在顯著差異，這意味著生成的特征足夠靈活，可以滿足特定任務(wù)的需求。

其次，在ImageNet數(shù)據(jù)集的分類任務(wù)上，他們測試了整個(gè)神經(jīng)網(wǎng)絡(luò)架構(gòu)的性能，衡量的指標(biāo)，是ImageNet驗(yàn)證集上single crop的top-1的性能。

下圖展示了GhostNet與現(xiàn)有最優(yōu)秀的幾種小型網(wǎng)絡(luò)結(jié)構(gòu)的對比，參賽選手包括MobileNet系列、ShuffleNet系列、ProxylessNAS、FBNet、MnasNet等。

模型分為3個(gè)級別的計(jì)算復(fù)雜性，即~50，~150和200-300MFLOPs。通常FLOPs較大，這些小型網(wǎng)絡(luò)的準(zhǔn)確性會(huì)更高——表明了它們的有效性。

GhostNet在各種計(jì)算復(fù)雜度級別上始終優(yōu)于其他競爭對手。研究團(tuán)隊(duì)解釋稱，這主要是因?yàn)镚hostNet在利用計(jì)算資源生成特征圖方面效率更高。

由于GhostNet是為移動(dòng)設(shè)備設(shè)計(jì)，他們還使用TFLite工具，遵循MobileNet中的常用設(shè)置，使用Batch size為1的單線程模式，在基于ARM的手機(jī)（華為P30 Pro）上進(jìn)一步測量GhostNet的實(shí)際推理速度，并與其他模型進(jìn)行比較。

如上圖所示，與具有相同延遲的MobileNetV3相比，GhostNet大約提高了0.5%的top-1的準(zhǔn)確性，另一方面GhostNet需要更少的運(yùn)行時(shí)間來達(dá)到相同的精度。

例如，精度為75.0％的GhostNet僅具有40毫秒的延遲，而精度類似的MobileNetV3大約需要46毫秒來處理一張圖像。

因此，研究團(tuán)隊(duì)表示，GhostNet總體上勝過其他最新模型，例如谷歌MobileNet系列，ProxylessNAS，F(xiàn)BNet和MnasNet等等。

華為諾亞方舟實(shí)驗(yàn)室研究成果

這一研究的核心作者，主要來自于華為諾亞實(shí)驗(yàn)室。

第一作者是韓凱，此前研究機(jī)構(gòu)為北京大學(xué)。第二作者是王云鶴，同樣畢業(yè)于北京大學(xué)。第三位作者是田奇，諾亞方舟實(shí)驗(yàn)室首席計(jì)算機(jī)視覺科學(xué)家，也是這篇稿件的通訊作者。

這篇論文，是華為計(jì)算機(jī)視覺方向的最新研究成果之一。

此前在CVPR 2020年放榜時(shí)，王云鶴就曾在知乎上透露，其團(tuán)隊(duì)一共有7篇論文被收錄。

他說，這些是他們小組辛辛苦苦攢了大半年的工作。emmm…

如果你對這一研究感興趣，可以收好下面的傳送門：

論文地址：

https://arxiv.org/abs/1911.11907

項(xiàng)目開源地址：

https://github.com/huawei-noah/ghostnet