[人工智能]ShuffleNet 系列(2): ShuffleNet v2 理论讲解

ShuffleNet V2 概述

论文：ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design


shuffleNet v2这篇论文比较硬核，提出了不少新的思想，推荐大家可以看看论文原文。主要思想包括：

• 模型的计算复杂度不能只看FLOPs,还需要参考一些其他的指标
• 作者提出了4条如何设计高效网络的准则
• 基于该准则提出了新的block设置

FLOPS网上有两种：FLOPS和 FLOPs:

• FLOPS:全大写，指每秒浮点运算次数，可以理解为计算的速度，是衡量硬件性能的一个指标 (硬件)
• FLOPs:s小写，指浮点运算数，理解为计算量，可以用来衡量算法/模型的复杂度，（模型）在论文中常用GFLOPs(1 GFLOPs = 10^9FLOPs)

ShuffleNet V2 论文观点

(1) FLOPS不能准确的评价模型的推力的时间，还有其他因素影响

在我们网络设计过程中，比如mobienet, shuffleNet v1我们经常使用FLOPs,FLOPs其实是衡量模型运算和复杂度的间接指标，它并不是一个直接的指标。因为我们在实际使用过程中，我们直接看的是模型的推理时间来看运算快慢，这是一个直接的指标。

• 在影响我们模型推理速度的众多因素之间，其实我们并不能光看FLOPs,还有其他需要被考虑进来的因素，比如说memory access cost (MAC)(内存访问的时间成本)，它占我们模型推理中占非常大的一个比率。
  
• 在上图中给的时间统计，前所说的FLOPs其实主要还是计算关于卷积相关的参数指标，但是在ShuffleNet V1 GPU统计到，卷积操作其实只占时间消耗的50%,另外50%是用来处理其他任务，因此我们不能单独使FLOPs来评判我们模型的计算量和它的复杂度。
• 除了内存访问时间成本MAC，作者还提到另外一个需要被考虑进来的因素叫做degree of parallelism（并行等级），在相同FLOPs下并行更高的模型，其实要比并行度低的模型速度快，这进一步说明了我们不能光看FLOPS。
• 接下来作者提到，相同的FLOPs在不同的平台上（如GPU以及ARM平台上的CPU），他们的执行时间也是不一样的。从上图可以看出，对于ShuffleNet v1,在同样的FLOPS下，GPU上卷积运算占50%,在ARM上卷积运算占87%,所以在不同的平台上它的执行消耗时间也都是不一样的。
• 通过上图，我们可以发现其实卷积占据了模型推理的绝大部分时间，其他的操作比如：Data I/O,data shuffle,element-wise等等，他们也占据了相当大的一部分推理时间。因此我们的FLOPS并不能正确的评判模型的推理时间。

如何设计高效网络的4条建议
作者提出了如何设计高效网络的4条建议：
G1:Equal channel width minimizes memory access cost (MAC)
当卷积层的输入特征矩阵与输出特征矩阵相等的时候，MAC最小（保持FLOPs不变时）,这里针对1x1的卷积层

$$B=hw{c}_1{c}_2$$

其中MAC值是如何计算得到的呢？，作者给出如下计算过程：

• $MAC=hw(c_1+c_2)+c_1?c_2$, $hw{c}_1$代表输入特征矩阵的内存消耗，$hw{c}_2$代表输出特征矩阵的内存消耗。后面的$c1?c2$表示卷积核的内存消耗
• 根据算数不等式：$\frac{c_1+c_2}{2}\ge \sqrt{c_1{c}_2}$,带入MAC计算公式可得：$MAC\ge 2hw\sqrt{c_1{c}_2}+c_1{c}_2$，并且根据$B=hw{c}_1{c}_2$，最终可得到$MAC\ge 2\sqrt{hwB}+\frac{B}{hw}$ ,不等式相当当$c_1=c_2$的时候,MAC最小
  
  作者在FLOPs保持不变的情况下，探究了$\frac{c_1}{c_2}$ 对我们推理速度的影响，这里看GPU x1 与CPU x1这块，后面几个都是一样的，我们只关注规律就可以。
• 当c1/c2=1:1的时候，我们在GPU上每秒能够推理1480个Batches;当c1/c2=1:2的时候每秒能够推理1296个Batches,可以看出随着c1,c2两者的比值相差越大，推理速度越慢，同样在CPU上也是一样的。

G2: Excessive group convolution incresses MAC

• 当GConv的groups增大时（保持FLOPs不变时），MAC也会增大
  
  其中$hw{c}_1{c}_2/g$ (FLOPs) ,由于当输入特征矩阵一定的时候$h{w}_{c}1$是个常数想，FLOPs一定的时候B也是一个常数项。因此随着g越来越大，MAC值也越大。

作者针对第二点，也做了一系列的实验。

通过保持FLOPs一定的情况下，改变g的数值，以GPU x1 与CPU x1为例进行说明，当g=1的时候，每秒能推理2451个batches；当g=2,每秒能推理1725个batches;当g=8,每秒能推理634个batches;当g有1到8,它的推理速度下降到原来的1/4还是非常明显的。但在cpu上我们发现它下降的连一半都不到。

G3: Network fragmentation reduces degree of parallelism
网络设计的碎片化程度越高，速度越慢。这里所说的碎片化可以理解为网络的分支的程度，很多网络在设计的时候分支越来越多。

• 分支可以是串联，可以是并联，在googlenet inception模块，它就并行了有3x3的卷积层，5x5的卷积层，还有池化层等等，他们就很喜欢采用多分支的结构来进行网络的搭建。论文当中提到虽然碎片化结构能提升我们的精确率，但是它会降低模型的效率。因为这种碎片化的结构，对于像GPU这种具有非常强的并行计算能力的设备是非常不友好的，并且在多分支的情况下，还有kernel的启动和同步的问题。
  
  比如图e中，有4个并行的分支，对于每个卷积层都需要有kernel的启动，如果四个并行结构计算时间差不多的话，其实还好。如果相差很大的话，运算快的运算完之后就一直等着运算比较慢的，只有等到大家全部结束之后，我们才能进行下一步计算，所以这个效率是比较低的。

同样作者针对G3也做了一系列实验。

其中上图(a),(b),?对应的与1-fragement,2-fragement,3-fragement,他们是简单的串行，同样是保持FLOPs不变的情况下，我们的串行的层数越多，碎片化程度越高我们的推理速度也是越来越慢的。对于图d,图e，对应的是2-fragement,4-fragement，也同样是碎片化程度越高，推理速度越慢。但是在cpu上其实变化是不大的，GPU变化非常明显。

G4:Element-wise operations are non-negligible
Element-wise 操作带来的影响是不可忽视的。
Element-wise 包括哪些操作呢，论文中提到它包含有：激活函数比如Relu,比如AddTensor如ResNet网络中的捷径分支与主分支的输出进行Add操作，还有卷积过程中使用到AddBias等等这一系列。对于每一个元素型操作的都叫Element-wise operation,这些操作的特点都是它的FLOPs很小，但是他们的MAC很大。作者也说了向我们depthwise convolution也可以看做为element-wise operator.

作者也做了一系列的实验。比如我们采用short-cut链接和不采用short-cut链接，很明显我们不采用short-cut链接会更快。采用Relu和不采用Relu,肯定是不采用Relu会更快。
这里肯定会有人要说，不采用这些操作肯定会更快，这里作者想突出的，这些element-wise操作，它比我们想象当中要更耗时。作者提到如果把Relu和short-cut移除后再GPU或ARM CPU上能提升20%.如果我们仅仅通过FLOPs来进行对比的话，其实这些element-wise操作基本上是不会占用多少运算时间的。但是在实际使用过程中，其实它还是很耗时的。

论文对四点总结

• 要使用一个平衡的convolution,尽可能让输入特征矩阵channel与输出矩阵channel等于或接近1.
• 注意groups convolution的计算成本，不能一味的去增大groups数，但增大groups能降低参数以及FLOPs或许还能提高我们的Accuracy,但是它会增加我们的计算成本。
• 降低网络的碎片程度，如果你想要有一个非常高效的网络的话，不要涉及那么多分支结构
• 尽可能减少使用element-wise operator

根据准则设计我们的ShuffleNet V2

其中图(a)和图(b)就是shuffleNet V1,其中a是我们DW卷积步距为1，b是DW卷积步距为2的时候。右边的图c和图d，就是我们shuffleNet V2中对应步距为1和2的block.

• 图e,对于每个Block单元，我们会对于输入的channels 进行split,划分为两个branches,一个是$c^{{}^{\prime }}$,一个是$c?c^{{}^{\prime }}$,根据G3我们要减少模型的碎片化程度，所以在左边的分支上是没有进行任何操作的。在另外一个分支上我们有3个卷积层（1x1 GConv, 3X3 Dconv, 1x1 Conv）他们拥有相同的输入和输出channel,并且将GConv换回了普通卷积，这就是为了满足我们的G2就是尽快能降低GConv中分组g的数值。在卷积之后，两个分支是通过concat进行拼接的这就能够满足输入channel和输出channel是一样的，因为我们在输入的时候在channel进行了split，所以只有concat的凭借才能保证channel是一样的。
• 在shuffleNet v2相比于v1没有在add之后，进行Relu,改为在右边分支进行Relu.就相当于原来来个分支都有Relu操作，改为只在右边分支有Relu操作
• 对于三个连续的element-wise操作，Concat,Channel Shuffle以及下一个block的Channel Split，这三个操作可以合并为一个element-wise operation,又变相的减少了element-wise操作的个数，这就满足G4准则。
• 对于下采样为2,对应图e的情况，channel split操作就不存在了，因此输出特征矩阵的channel就翻倍了

ShuffleNet V2 网络结构

• 作者提到，shuffleNet v1 v2，它的框架基本上都一样的。都有Conv1 Maxpoo Stage 2~5 Global pool FC，这里唯一的不同就是v2比v1多了一个1x1 Conv5,提供了shuffleNet v2 0.5x,shuffleNet v2 1x,shuffleNet v2 1.5x,shuffleNet v2 2x四个不同的版本。
• 对于每个stage，它的第一个block是需要进行翻倍的，步距strip都是等于2的。

shuffleNet v1和v2对比

• shuffleNet v2相对于shuffleNet v1在stride=1的情况下，首先通过一个channel split的操作，将输入特征矩阵划分为2部分，1部分是我们的捷径分支，另一部分就对应于我们主分支。
• 对于主分支而言我们两个1x1的卷积层，又有v1的GConv变成了原来普通的卷积了。由于是普通卷积，主分支没有channel shuffle了，将它移到concat之后了。
• 对于v1的add操作，变为了v2的concat操作了。
• 并将v1中经过add，然后relu。v2将relu放到了右边的分支上了。
• 对于stride为2的情况下，对于v1的分支上用过3x3的平均池化，但V2版本中通过一个3x3DW卷积+1x1的普通卷积。
  

性能指标

`

• 首先看下ShuffleNet v2 0.5x这个版本，在这里对标了MobileNet v1 0.25,MobileNet v2 0.4版本，还有MobileNet v2 0.15版本，这些版本你能够发现其实，他们的Flops其实是差不多的，但准确率方面我们可以看到shuffleNet v2 0.5x是最高的。但在速度方面我们可以看到MobileNet v1 0.25速度是最快的，但准确率和shuffleNet v2 0.5x比起来，相差太远了。
• ShuffleNet V2 1x的版本，它对标MobileNet v1 0.5版本，还有MobileNet v2 0.75版本，以及MobileNet v2 0.6版本。可以看到他们的Flops其实也是差不多的。但是错误率上shuffleNet v2 1x是最小的，也就是最有效的。在速度方面，cpu上还是mobilleNet v1 0.5版本是最快的，但是它的错误率明显要高出很多，但是在我们的arm cpu上依旧是我们shuffleNet v2 1x是最快的
• 最后作者也将ShuffleNet v2 2x 加上了注意力机制SE，恨他对标的几个网络，在FLOPs相同的情况下，错误率最低，GPU以及CPU上推理速度也都是最快的。