本文首發於龍鵬的知乎專欄《有三AI學院》

https://zhuanlan.zhihu.com/p/34455109

00 引言

現在很多的影象演算法都是離線計算的，而學術界刷榜單那些模型，什麼vgg16，resnet152是不能直接拿來用的，所以，對於一個深度學習演算法工程師來說，如果在這些模型的基礎上，設計出一個又小又快的滿足業務需求的模型，是必備技能，今天就來簡單討論一下這個問題。

首先，祭出一個baseline，來自Google的mobilenet，算是學術界祭出的真正有意義的移動端模型。

當然，這裡我們要稍微修改一下，畢竟原始的mobilenet是分類模型過於簡單無法展開更多，我們以更加複雜通用的一個任務開始，分割，同時修改一下初始輸入尺度，畢竟224這個尺度在移動端不一定被採用，我們以更小的一個尺度開始，以MacBookPro為計算平臺。

在原有mobilenet的基礎上新增反捲積，輸入網路尺度160*160，網路結構參考mobilenet，只是在最後加上反捲積如下

如果誰有可以視覺化caffe網路結構圖並儲存成高清圖片的方法，請告訴我一下，netscope不能儲存圖，graphviz的圖又效果很差，所以這裡沒有放完整結構圖。

不過，大家可以去參考mobilenet，然後我們在mac上跑一遍，看看時間代價如下：

其中黃色高亮是統計的每一個module的時間和。

準備工作完畢，接下來開始幹活。

01 分析網路的效能瓶頸

1.1 執行時間和計算代價分析

上面兩圖分別是網路的計算時間和計算量，從上面我們總結幾條規律：

(1) 耗時前5，conv2_1_sep，conv6_sep，conv3_1_sep，conv3_1_dw，conv2_1_dw。

我們看看為什麼，

conv2_1_dw計算量，32*80*80*3*3*1=1843200

conv2_1_sep計算量，32*80*80*1*1*64=13107200

conv3_1_dw計算量，128*40*40*3*3*1=1843200

conv3_1_sep計算量，128*40*40*1*1*128=26214400

conv6_sep計算量，1024*5*5*1*1*1024=26214400

上面可以看出，計算量最大的是conv6_sep，conv2_1_sep，理論上conv2_1_dw計算量與conv2_1_sep不在一個量級，但是實際上相當，這是庫實現的問題。

(2) 從conv5_1到conv5_5，由於尺度不發生變化，通道數不發生變化，所以耗時都是接近的，且dw模組/sep模組耗時比例約為1:3。

前者計算量：512*10*10*3*3

後者計算量：512*10*10*1*1*512

這一段網路結構是利用網路深度增加了非線性，所以對於複雜程度不同的問題，我們可以縮減這一段的深度。

1.2 網路引數量分析

從上面我們可以看出，引數量集中在conv6_sep，conv5_6_sep，conv5_1~5_5，所以要壓縮模型，應該從這裡地方入手。

當我們想設計更小的mobilenet網路時，有3招是基本的，一定要用。

(1) 降低輸入解析度，根據實際問題來設定。

(2) 調整網路寬度，也就是channel數量。

(3) 調整網路深度，比如從conv4_2到conv5_6這一段，都可以先去試一試。

02開始調整網路

在做這件事之前，我們先看看經典網路結構的一些東西，更具體可以參考之前的文章。

從上面的表看，主流網路第一個卷積，kernel=3，stride=2，featuremap=64，mobilenet系列已經降到了32。

第1層是提取邊緣等資訊的，當然是featuremap數量越大越好，但是其實邊緣檢測方向是有限的，很多資訊是冗餘的， 由於mobilenet優異的效能，事實證明，最底層的卷積featuremap channel=32已經夠用。

實際的任務中，大家可以看conv1佔據的時間來調整，不過大部分情況下只需要選擇好輸入尺度大小做訓練，然後套用上面的引數即可，畢竟這一層佔據的時間和引數，都不算多，32已經足夠好足夠優異，不太需要去調整的。

自從任意的卷積可以採用3*3替代且計算量更小後，網路結構中現在只剩下3*3和1*1的卷積，其他的尺寸可以先不考慮。

採用80*80輸入，砍掉conv5_6和conv6，得到的模型各層花費時間如下

總共274ms，我們稱這個模型為mobilenet_v0。

2.1 如何決定輸入尺度

輸入尺度絕對是任務驅動的，不同的任務需要不同的輸入尺度，分割比分類需要尺度一般更大，檢測又比分割所需要的尺度更大，在這裡，我們限定一個比較簡單的分割任務，然後將輸入尺度定為80*80，就將該任務稱為A吧。

2.2 如何調整網路寬度與深度

通道數決定網路的寬度，對時間和網路大小的貢獻是一個乘因子，這是優化模型首先要做的，下面開始做。

2.2.1 反捲積

看上面的模型我們可以看出，反捲積所佔用時間遠遠大於前面提取特徵的卷積，這是因為我們沒有去優化過這個引數。那麼，到底選擇多少才合適呢？

在這裡經驗就比較有用了。卷積提取特徵的過程，是featuremap尺度變小，channel變大，反捲積正好相反，featuremap不斷變大，通道數不斷變小。這裡有4次放大2倍的卷積，考慮到每次縮放一倍，所以第一次的channel數量不能小於2^4=16，一不做二不休，我們乾脆就幹為16。

我們稱這個模型為mobilenet_v1

我們看下時間對比

再看下效能對比。

這樣，一舉將模型壓縮5倍，時間壓縮5倍，而且現在反捲積的時間代價幾乎已經可以忽略。

2.2.2 粗暴地減少網路寬度

接下來我們再返回第1部分，conv5_1到conv5_5的計算量和時間代價都是不小的，且這一部分featuremap大小不再發生變化。這意味著什麼？這意味著這一部分，純粹是為了增加網路的非線性性。

下面我們直接將conv5_1到conv5_5的featuremap從512全部幹到256，稱其為mobilenet2.1.1，再看精度和時間代價。

時間代價和網路大小又有了明顯下降，不過精度也有下降。

2.2.3 粗暴地減少網路深度

網路層數決定網路的深度，在一定的範圍內，深度越深，網路的效能就越優異。但是從第一張圖我們可看出來了，網路越深，featureamap越小，channel數越多，這個時候的計算量也是不小的。

所以，針對特定的任務去優化模型的時候，我們有必要去優化網路的深度，當然是在滿足精度的前提下，越小越好。

我們從一個比較好的起點開始，從mobilenet_v1開始吧，直接砍掉conv5_5這個block，將其稱為mobilenet_v2.1.2。

下面來看看比較。

從結果來看，精度下降尚且不算很明顯，不過時間的優化很有限，模型大小壓縮也有限。

下面在集中看一下同時粗暴地減少網路深度和寬度的結果，稱其為mobilenet_v2.1.3

以損失將近1%的代價，將模型壓縮到2.7m，40ms以內，這樣的結果，得看實際應用能不能滿足要求了。

總之，粗暴地直接減小深度和寬度，都會造成效能的下降。

2.2.4 怎麼彌補通道的損失

從上面我們可以看出，減少深度和寬度，雖然減小了模型，但是都帶來了精度的損失，很多時候這種精度損失導致模型無法上線。所以，我們需要一些其他方法來解決這個問題。

2.2.4.1 crelu通道補償

從上面可以看出，網路寬度對結果的影響非常嚴重，如果我們可以想辦法維持原來的網路寬度，且不顯著增加計算量，那就完美了。正好有這樣的方法，來源於這篇文章《Understanding and Improving Convolutional Neural Networks via Concatenated Rectified Linear Units》，它指出網路的引數有互補的現象，如果將減半後的通道補上它的反，會基本上相當於原有的模型，雖然原文針對的是網路淺層有這樣的現象，不過深層我們不妨一試，將其用於引數量和計算代價都比較大的conv5_1到conv5_4，我們直接從mobilenet_v2.1.3開始，增加conv5_1到conv5_4的網路寬度，稱之為mobilenet_v2.1.4。

2.2.4.2 skip connect，融合不同層的資訊

這是說的不能再多，用的不能再多了的技術。從FCN開始，為了恢復分割細節，從底層新增branch到高層幾乎就是必用的技巧了，它不一定能在精度指標上有多少提升，但是對於分割的細節一般是正向的。

我們直接從mobilenet_v2.1.3開始，新增3個尺度的skip connection。由於底層的channel數量較大，deconv後的channel數量較小，因此我們新增1*1卷積改變通道，剩下來就有了兩種方案，1，concat。2，eltwise。

針對這兩種方案，我們分別進行試驗。

從上表可以看出，兩個方案都不錯，時間代價和模型大小增加都很小，而精度提升較大。

現在反過頭回去看剛開始的模型v0，在精確度沒有下降的情況下，我們已經把速度優化了5倍以上，模型大小壓縮到原來的1/10，已經滿足一個通用的線上模型了。

當然，我們不可能道盡所有的技術，而接著上面的思路，也還有很多可以做的事情，本篇的重點，是讓大家學會分析效能網路的效能瓶頸，從而針對性的去優化網路。更多類似技巧和實驗，作為技術人員，自己嘗試去吧。

同時，在我的知乎專欄也會開始同步更新這個模組，歡迎來交流

注：部分圖片來自網路

—END—