如何进行移动端SOTA模型MixNet的分析

1. 前言

Depthwise卷积在设计更轻量高效的网络中经常被使用，但人们通常都忽略了Depthwise卷积中的卷积核大小（通常都是使用3x3）。我们研究了不同大小卷积核对网络性能的影响，并观察到不同大小卷积核相互组合，能得到更高的准确性。基于这个思想，我们得到了一个以不同大小卷积核组合成Depthwise卷积模块，再AutoML的搜索下，提出了一个更高效的网络Mixnet，超越大部分移动端网络如Mobilenetv1, v2, shufflenet等等。

2. 研究动机

由于Depthwise卷积是分离各个通道，单独做一个卷积操作。因此在设计网络中，为了减少计算量，研究人员通常把注意力放在如何控制通道数，使得网络计算量不会增长过大。然后网络中通常只采用了3x3大小卷积核的卷积，而在其他工作中表明大卷积核在一定程度上能提高模型性能。我们问题转为使用大卷积核是否就一定提高模型准确率？

 

通过对比两种网络结构，我们可以得知不同网络最好的性能对应着不同的卷积核大小

基于观察的结果，我们设置了一个不同大小卷积核构成的MixConv模块

 

3. MixConv设计策略

MixConv模块还有很多参数没有实际确定

3.1 Groups分组数

进行MixConv需要对通道做分组，分配给不同大小的卷积核。实验中，研究人员发现Groups = 4时候，是对MobileNets结构最稳定的。借助于NAS搜索，研究人员分别从1-5的分组数进行结构搜索。

3.2 KernelSize卷积核大小

卷积核大小虽然能随意设计，但还是有一定前提的。比如当两个组的卷积核大小相同，其实可以等价于这两个组融合进一个卷积组里(比如2组都是3x3卷积核，输出通道为X，相当于1组由3x3卷积核，输出通道X)

因此我们设定，卷积核起始大小为3，组与组之间卷积核增长为2

比如分4组的话，卷积核为3x3 5x5 7x7 9x9

3.3 ChannelSize 每组卷积的通道数

我们采取了两种策略

• 均等划分，假设有四组，通道数为128，则每组通道数都是32
• 指数增长划分，以2为底的指数进行增长，假设有四组，通道数为32，则每组通道数分别为16, 8, 4, 4(最后一组的通道数，通常是取余)

3.4 DilatedConv 是否采用空洞卷积

空洞卷积往往能得到更大的感受野，相较于同等感受野的大卷积核，它能一定程度上减少参数量，然而根据我们的实验，空洞卷积的性能通常要比大卷积核的差

 

上图是基于Mobilenet结构上，对Mixconv各种策略的进一步验证

3.5 Mixnet整体架构

介绍完前面的设计理念后，这篇论文也就差不多了，后续的工作都是AutoML进行搜索得到的，Mixnet有三种大小的模型(MixNet-S, MixNet-M, MixNet-L)

下面两图分别是Mixnet-S和Mixnet-M的结构

 

 

4. 相关代码实现

这里采用的是https://github.com/romulus0914/MixNet-PyTorch 这版代码，讲解的是研究人员提出的不同kernel_size的DepthwiseConv模块

4.1 MDConv

class MDConv(nn.Module):
    """
    实现分离depthwise卷积
    """

    def __init__(self, channels, kernel_size, stride):
        super(MDConv, self).__init__()
        self.num_groups = len(kernel_size)
        self.split_channels = _SplitChannels(channels, self.num_groups)

        self.mixed_depthwise_conv = nn.ModuleList()

        for i in range(self.num_groups):
            self.mixed_depthwise_conv.append(nn.Conv2d(
                self.split_channels[i], self.split_channels[i],
                kernel_size[i], stride=stride, padding=kernel_size[i] // 2,
                groups=self.split_channels[i],
                bias=False
            ))

    def forward(self, x):
        if self.num_groups == 1:
            return self.mixed_depthwise_conv[0](x)

        x_split = torch.split(x, self.split_channels, dim=1)
        x = [conv(t) for conv, t in zip(self.mixed_depthwise_conv, x_split)]
        x = torch.cat(x, dim=1)
        return x

首先通过splitchannels这个方法，得到每个kernel size对应的通道数。

再用一个for循环，把每个不同kernel size的卷积模块，添加到ModuleList容器中

在前向传播里面，先是调用torch.split方法对输入在通道维度上做分离，通过一个列表，保存所有卷积得到的张量。最后调用torch.cat在通道维上进行连结。