ECCV2018|ShuffleNetV2：轻量级CNN网络中的桂冠

由极市、机器之心和中科创达联合举办的“2018计算机视觉最具潜力开发者榜单”评选活动，现已接受报名，杨强教授、俞扬教授等大牛嘉宾亲自评审，高通、中科创达、微众银行等大力支持，丰厚奖励，丰富资源，千万渠道，助力您的计算机视觉工程化能力认证，提升个人价值及算法变现。极市与您一起定义自己，发现未来～点击阅读原文即可报名~

作者：我是小将
来源：https://zhuanlan.zhihu.com/p/48261931

近来，深度CNN网络如ResNet和DenseNet，已经极大地提高了图像分类的准确度。但是除了准确度外，计算复杂度也是CNN网络要考虑的重要指标，过复杂的网络可能速度很慢，一些特定场景如无人车领域需要低延迟。另外移动端设备也需要既准确又快的小模型。为了满足这些需求，一些轻量级的CNN网络如MobileNet和ShuffleNet被提出，它们在速度和准确度之间做了很好地平衡。今天我们要讲的是ShuffleNetv2，它是旷视最近提出的ShuffleNet升级版本，并被ECCV2018收录。在同等复杂度下，ShuffleNetv2比ShuffleNet和MobileNetv2更准确。

图1：ShuffleNetv2与其它算法在不同平台下的复杂度、速度以及准确度对比

设计理念

目前衡量模型复杂度的一个通用指标是FLOPs，具体指的是multiply-add数量，但是这却是一个间接指标，因为它不完全等同于速度。如图1中的（c）和（d），可以看到相同FLOPs的两个模型，其速度却存在差异。这种不一致主要归结为两个原因，首先影响速度的不仅仅是FLOPs，如内存使用量（memory access cost, MAC），这不能忽略，对于GPUs来说可能会是瓶颈。另外模型的并行程度也影响速度，并行度高的模型速度相对更快。另外一个原因，模型在不同平台上的运行速度是有差异的，如GPU和ARM，而且采用不同的库也会有影响。

图2：不同模型的运行时间分解

据此，作者在特定的平台下研究ShuffleNetv1和MobileNetv2的运行时间，并结合理论与实验得到了4条实用的指导原则：

（G3）网络碎片化会降低并行度 一些网络如Inception，以及Auto ML自动产生的网络NASNET-A，它们倾向于采用“多路”结构，即存在一个lock中很多不同的小卷积或者pooling，这很容易造成网络碎片化，减低模型的并行度，相应速度会慢，这也可以通过实验得到证明。

（G4）不能忽略元素级操作 对于元素级（element-wise operators）比如ReLU和Add，虽然它们的FLOPs较小，但是却需要较大的MAC。这里实验发现如果将ResNet中残差单元中的ReLU和shortcut移除的话，速度有20%的提升。

上面4条指导准则总结如下：

1x1卷积进行平衡输入和输出的通道大小；
组卷积要谨慎使用，注意分组数；
避免网络的碎片化；
减少元素级运算。

网络结构

根据前面的4条准则，作者分析了ShuffleNetv1设计的不足，并在此基础上改进得到了ShuffleNetv2，两者模块上的对比如图3所示：

图3：ShuffleNet两个版本结构上的对比

在ShuffleNetv1的模块中，大量使用了1x1组卷积，这违背了G2原则，另外v1采用了类似ResNet中的瓶颈层（bottleneck layer），输入和输出通道数不同，这违背了G1原则。同时使用过多的组，也违背了G3原则。短路连接中存在大量的元素级Add运算，这违背了G4原则。

对于下采样模块，不再有channel split，而是每个分支都是直接copy一份输入，每个分支都有stride=2的下采样，最后concat在一起后，特征图空间大小减半，但是通道数翻倍。

ShuffleNetv2的整体结构如下表所示，基本与v1类似，其中设定每个block的channel数，如0.5x，1x，可以调整模型的复杂度。

值得注意的一点是，v2在全局pooling之前增加了个conv5卷积，这是与v1的一个区别。最终的模型在ImageNet上的分类效果如下表所示：

可以看到，在同等条件下，ShuffleNetv2相比其他模型速度稍快，而且准确度也稍好一点。同时作者还设计了大的ShuffleNetv2网络，相比ResNet结构，其效果照样具有竞争力。

从一定程度上说，ShuffleNetv2借鉴了DenseNet网络，把shortcut结构从Add换成了Concat，这实现了特征重用。但是不同于DenseNet，v2并不是密集地concat，而且concat之后有channel shuffle以混合特征，这或许是v2即快又好的一个重要原因。

TensorFlow上的实现

目前ShuffleNetv2没有看到官方开源实现，这里参考

tensorpack(https://github.com/tensorpack/tensorpack/blob/master/examples/ImageNetModels/shufflenet.py)中的复现（其中Top1 acc基本接近paper），给出v2在TensorFlow上实现。我们使用TensorFlow中

[tf.keras.Model(https://www.tensorflow.org/api_docs/python/tf/keras/models/Model)来实现ShuffleNetv2。

首先我们先定义网络中最基本的单元：Conv2D->BN->ReLU和DepthwiseConv2D->BN：

class Conv2D_BN_ReLU(tf.keras.Model):   """Conv2D -> BN -> ReLU"""   def __init__(self, channel, kernel_size=1, stride=1):       super(Conv2D_BN_ReLU, self).__init__()       self.conv = Conv2D(channel, kernel_size, strides=stride,                           padding="SAME", use_bias=False)       self.bn = BatchNormalization(axis=-1, momentum=0.9, epsilon=1e-5)       self.relu = Activation("relu")   def call(self, inputs, training=True):       x = self.conv(inputs)       x = self.bn(x, training=training)       x = self.relu(x)       return xclass DepthwiseConv2D_BN(tf.keras.Model):   """DepthwiseConv2D -> BN"""   def __init__(self, kernel_size=3, stride=1):       super(DepthwiseConv2D_BN, self).__init__()       self.dconv = DepthwiseConv2D(kernel_size, strides=stride,                                    depth_multiplier=1,                                    padding="SAME", use_bias=False)       self.bn = BatchNormalization(axis=-1, momentum=0.9, epsilon=1e-5)   def call(self, inputs, training=True):       x = self.dconv(inputs)       x = self.bn(x, training=training)

对于channel shuffle，只需要通过reshape操作即可：

def channle_shuffle(inputs, group):   """Shuffle the channel   Args:       inputs: 4D Tensor       group: int, number of groups   Returns:       Shuffled 4D Tensor    """   in_shape = inputs.get_shape().as_list()   h, w, in_channel = in_shape[1:]   assert in_channel % group == 0   l = tf.reshape(inputs, [-1, h, w, in_channel // group, group])   l = tf.transpose(l, [0, 1, 2, 4, 3])   l = tf.reshape(l, [-1, h, w, in_channel])   return l

下面，定义v2中的基本模块，先定义stride=1的模块：

class ShufflenetUnit1(tf.keras.Model):   def __init__(self, out_channel):       """The unit of shufflenetv2 for stride=1       Args:           out_channel: int, number of channels        """        super(ShufflenetUnit1, self).__init__()       assert out_channel % 2 == 0       self.out_channel = out_channel       self.conv1_bn_relu = Conv2D_BN_ReLU(out_channel // 2, 1, 1)       self.dconv_bn = DepthwiseConv2D_BN(3, 1)       self.conv2_bn_relu = Conv2D_BN_ReLU(out_channel // 2, 1, 1)   def call(self, inputs, training=False):       # split the channel       shortcut, x = tf.split(inputs, 2, axis=3)       x = self.conv1_bn_relu(x, training=training)       x = self.dconv_bn(x, training=training)       x = self.conv2_bn_relu(x, training=training)       x = tf.concat([shortcut, x], axis=3)       x = channle_shuffle(x, 2)       return x

对于stride=2的下采样模块，与上面模块略有不同：

class ShufflenetUnit2(tf.keras.Model):   """The unit of shufflenetv2 for stride=2"""   def __init__(self, in_channel, out_channel):       super(ShufflenetUnit2, self).__init__()       assert out_channel % 2 == 0       self.in_channel = in_channel       self.out_channel = out_channel       self.conv1_bn_relu = Conv2D_BN_ReLU(out_channel // 2, 1, 1)       self.dconv_bn = DepthwiseConv2D_BN(3, 2)       self.conv2_bn_relu = Conv2D_BN_ReLU(out_channel - in_channel, 1, 1)       # for shortcut       self.shortcut_dconv_bn = DepthwiseConv2D_BN(3, 2)       self.shortcut_conv_bn_relu = Conv2D_BN_ReLU(in_channel, 1, 1)   def call(self, inputs, training=False):       shortcut, x = inputs, inputs       x = self.conv1_bn_relu(x, training=training)       x = self.dconv_bn(x, training=training)       x = self.conv2_bn_relu(x, training=training)       shortcut = self.shortcut_dconv_bn(shortcut, training=training)       shortcut = self.shortcut_conv_bn_relu(shortcut, training=training)       x = tf.concat([shortcut, x], axis=3)       x = channle_shuffle(x, 2)       return x

根据定义的两个模块，我们可以实现stage的整合：

class ShufflenetStage(tf.keras.Model):   """The stage of shufflenet"""   def __init__(self, in_channel, out_channel, num_blocks):       super(ShufflenetStage, self).__init__()       self.in_channel = in_channel       self.out_channel = out_channel       self.ops = []       for i in range(num_blocks):           if i == 0:               op = ShufflenetUnit2(in_channel, out_channel)           else:               op = ShufflenetUnit1(out_channel)           self.ops.append(op)   def call(self, inputs, training=False):       x = inputs        for op in self.ops:           x = op(x, training=training)       return x

建立所有准备模块后，我们可以很快递地实现ShuffleNetv2，这里实现1x模型：

class ShuffleNetv2(tf.keras.Model):   """Shufflenetv2"""   def __init__(self, num_classes, first_channel=24, channels_per_stage=(116, 232, 464)):       super(ShuffleNetv2, self).__init__()       self.num_classes = num_classes       self.conv1_bn_relu = Conv2D_BN_ReLU(first_channel, 3, 2)       self.pool1 = MaxPool2D(3, strides=2, padding="SAME")       self.stage2 = ShufflenetStage(first_channel, channels_per_stage[0], 4)       self.stage3 = ShufflenetStage(channels_per_stage[0], channels_per_stage[1], 8)       self.stage4 = ShufflenetStage(channels_per_stage[1], channels_per_stage[2], 4)       self.conv5_bn_relu = Conv2D_BN_ReLU(1024, 1, 1)       self.gap = GlobalAveragePooling2D()       self.linear = Dense(num_classes)   def call(self, inputs, training=False):       x = self.conv1_bn_relu(inputs, training=training)       x = self.pool1(x)       x = self.stage2(x, training=training)       x = self.stage3(x, training=training)       x = self.stage4(x, training=training)       x = self.conv5_bn_relu(x, training=training)       x = self.gap(x)       x = self.linear(x)       return x

我从tensorpack已训练好的权重文件迁移到上面实现的模型，然后就可以测试模型效果：

from tensorflow.keras.preprocessing import imagefrom tensorflow.keras.applications.densenet import preprocess_input, decode_predictionsimg_path = './images/cat.jpg'img = image.load_img(img_path, target_size=(224, 224))x = image.img_to_array(img)x = np.expand_dims(x, axis=0)x = preprocess_input(x)inputs = tf.placeholder(tf.float32, [None, 224, 224, 3])model = ShuffleNetv2(1000)outputs = model(inputs, training=False)outputs = tf.nn.softmax(outputs)saver = tf.train.Saver()with tf.Session() as sess:   saver.restore(sess, "./models/shufflene_v2_1.0.ckpt")   preds = sess.run(outputs, feed_dict={inputs: x})   print(decode_predictions(preds, top=3)[0])

参考
1.ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design.

(https://arxiv.org/abs/1807.11164)
2.tensorpack/examples

(https://github.com/tensorpack/tensorpack/tree/master/examples/ImageNetModels)

3.pretrained weights

(https://pan.baidu.com/s/1ZXKqzm5p23uUYr6HXUuMaQ)

*推荐阅读*

NIPS 2018 |谷歌大脑提出 DropBlock 卷积正则化方法，显著改进 CNN 精度

DeepMind开源图深度学习(GraphDL)工具包，基于Tensorflow和Sonnet

---

杨强教授、俞扬教授等大牛嘉宾评审团，万元大奖，丰富资源，助力您的计算机视觉工程化能力认证，点击阅读原文即可报名“2018计算机视觉最具潜力开发者榜单”~