APP
00
引言
现在很多的图像算法都是离线计算的，而学术界刷榜单那些模型，什么vgg16，resnet152是不能直接拿来用的，所以，对于一个深度学习算法工程师来说，如果在这些模型的基础上，设计出一个又小又快的满足业务需求的模型，是必备技能，今天就来简单讨论一下这个问题。
首先，祭出一个baseline，来自Google的mobilenet，算是学术界祭出的真正有意义的移动端模型。
当然，这里我们要稍微修改一下，毕竟原始的mobilenet是分类模型过于简单无法展开更多，我们以更加复杂通用的一个任务开始，分割，同时修改一下初始输入尺度，毕竟224这个尺度在移动端不一定被采用，我们以更小的一个尺度开始，以MacBookPro为计算平台。
在原有mobilenet的基础上添加反卷积，输入网络尺度160*160，网络结构参考mobilenet，只是在最后加上反卷积如下
如果谁有可以可视化caffe网络结构图并保存成高清图片的方法，请告诉我一下，netscope不能保存图，graphviz的图又效果很差，所以这里没有放完整结构图。
不过，大家可以去参考mobilenet，然后我们在mac上跑一遍，看看时间代价如下：
其中黄色高亮是统计的每一个module的时间和。
准备工作完毕，接下来开始干活。
01
分析网络的性能瓶颈
1.1 运行时间和计算代价分析
上面两图分别是网络的计算时间和计算量，从上面我们总结几条规律：
(1) 耗时前5，conv2_1_sep，conv6_sep，conv3_1_sep，conv3_1_dw，conv2_1_dw。
我们看看为什么，
conv2_1_dw计算量，32*80*80*3*3*1=1843200
conv2_1_sep计算量，32*80*80*1*1*64=13107200
conv3_1_dw计算量，128*40*40*3*3*1=1843200
conv3_1_sep计算量，128*40*40*1*1*128=26214400
conv6_sep计算量，1024*5*5*1*1*1024=26214400
上面可以看出，计算量最大的是conv6_sep，conv2_1_sep，理论上conv2_1_dw计算量与conv2_1_sep不在一个量级，但是实际上相当，这是库实现的问题。
(2) 从conv5_1到conv5_5，由于尺度不发生变化，通道数不发生变化，所以耗时都是接近的，且dw模块/sep模块耗时比例约为1:3。
前者计算量：512*10*10*3*3
后者计算量：512*10*10*1*1*512
这一段网络结构是利用网络深度增加了非线性，所以对于复杂程度不同的问题，我们可以缩减这一段的深度。
1.2 网络参数量分析
从上面我们可以看出，参数量集中在conv6_sep，conv5_6_sep，conv5_1~5_5，所以要压缩模型，应该从这里地方入手。
当我们想设计更小的mobilenet网络时，有3招是基本的，一定要用。
(1) 降低输入分辨率，根据实际问题来设定。
(2) 调整网络宽度，也就是channel数量。
(3) 调整网络深度，比如从conv4_2到conv5_6这一段，都可以先去试一试。
02
开始调整网络
在做这件事之前，我们先看看经典网络结构的一些东西，更具体可以参考之前的文章。
https://zhuanlan.zhihu.com/p/25797790
从上面的表看，主流网络第一个卷积，kernel=3，stride=2，featuremap=64，mobilenet系列已经降到了32。
第1层是提取边缘等信息的，当然是featuremap数量越大越好，但是其实边缘检测方向是有限的，很多信息是冗余的， 由于mobilenet优异的性能，事实证明，最底层的卷积featuremap channel=32已经够用。
实际的任务中，大家可以看conv1占据的时间来调整，不过大部分情况下只需要选择好输入尺度大小做训练，然后套用上面的参数即可，毕竟这一层占据的时间和参数，都不算多，32已经足够好足够优异，不太需要去调整的。
自从任意的卷积可以采用3*3替代且计算量更小后，网络结构中现在只剩下3*3和1*1的卷积，其他的尺寸可以先不考虑。
采用80*80输入，砍掉conv5_6和conv6，得到的模型各层花费时间如下
总共274ms，我们称这个模型为mobilenet_v0。
2.1 如何决定输入尺度
输入尺度绝对是任务驱动的，不同的任务需要不同的输入尺度，分割比分类需要尺度一般更大，检测又比分割所需要的尺度更大，在这里，我们限定一个比较简单的分割任务，然后将输入尺度定为80*80，就将该任务称为A吧。
2.2 如何调整网络宽度与深度
通道数决定网络的宽度，对时间和网络大小的贡献是一个乘因子，这是优化模型首先要做的，下面开始做。
2.2.1 反卷积
看上面的模型我们可以看出，反卷积所占用时间远远大于前面提取特征的卷积，这是因为我们没有去优化过这个参数。那么，到底选择多少才合适呢？
在这里经验就比较有用了。卷积提取特征的过程，是featuremap尺度变小，channel变大，反卷积正好相反，featuremap不断变大，通道数不断变小。这里有4次放大2倍的卷积，考虑到每次缩放一倍，所以第一次的channel数量不能小于2^4=16，一不做二不休，我们干脆就干为16。
我们称这个模型为mobilenet_v1
我们看下时间对比
再看下性能对比。
这样，一举将模型压缩5倍，时间压缩5倍，而且现在反卷积的时间代价几乎已经可以忽略。
2.2.2 粗暴地减少网络宽度
接下来我们再返回第1部分，conv5_1到conv5_5的计算量和时间代价都是不小的，且这一部分featuremap大小不再发生变化。这意味着什么？这意味着这一部分，纯粹是为了增加网络的非线性性。
下面我们直接将conv5_1到conv5_5的featuremap从512全部干到256，称其为mobilenet2.1.1，再看精度和时间代价。
时间代价和网络大小又有了明显下降，不过精度也有下降。
2.2.3 粗暴地减少网络深度
网络层数决定网络的深度，在一定的范围内，深度越深，网络的性能就越优异。但是从第一张图我们可看出来了，网络越深，featureamap越小，channel数越多，这个时候的计算量也是不小的。
所以，针对特定的任务去优化模型的时候，我们有必要去优化网络的深度，当然是在满足精度的前提下，越小越好。
我们从一个比较好的起点开始，从mobilenet_v1开始吧，直接砍掉conv5_5这个block，将其称为mobilenet_v2.1.2。
下面来看看比较。
从结果来看，精度下降尚且不算很明显，不过时间的优化很有限，模型大小压缩也有限。
下面在集中看一下同时粗暴地减少网络深度和宽度的结果，称其为mobilenet_v2.1.3
以损失将近1%的代价，将模型压缩到2.7m，40ms以内，这样的结果，得看实际应用能不能满足要求了。
总之，粗暴地直接减小深度和宽度，都会造成性能的下降。
2.2.4 怎么弥补通道的损失
从上面我们可以看出，减少深度和宽度，虽然减小了模型，但是都带来了精度的损失，很多时候这种精度损失导致模型无法上线。所以，我们需要一些其他方法来解决这个问题。
2.2.4.1 crelu通道补偿
从上面可以看出，网络宽度对结果的影响非常严重，如果我们可以想办法维持原来的网络宽度，且不显著增加计算量，那就完美了。正好有这样的方法，来源于这篇文章《Understanding and Improving Convolutional Neural Networks via Concatenated Rectified Linear Units》，它指出网络的参数有互补的现象，如果将减半后的通道补上它的反，会基本上相当于原有的模型，虽然原文针对的是网络浅层有这样的现象，不过深层我们不妨一试，将其用于参数量和计算代价都比较大的conv5_1到conv5_4，我们直接从mobilenet_v2.1.3开始，增加conv5_1到conv5_4的网络宽度，称之为mobilenet_v2.1.4。
2.2.4.2 skip connect，融合不同层的信息
这是说的不能再多，用的不能再多了的技术。从FCN开始，为了恢复分割细节，从底层添加branch到高层几乎就是必用的技巧了，它不一定能在精度指标上有多少提升，但是对于分割的细节一般是正向的。
我们直接从mobilenet_v2.1.3开始，添加3个尺度的skip connection。由于底层的channel数量较大，deconv后的channel数量较小，因此我们添加1*1卷积改变通道，剩下来就有了两种方案，1，concat。2，eltwise。
针对这两种方案，我们分别进行试验。
从上表可以看出，两个方案都不错，时间代价和模型大小增加都很小，而精度提升较大。
现在反过头回去看刚开始的模型v0，在精确度没有下降的情况下，我们已经把速度优化了5倍以上，模型大小压缩到原来的1/10，已经满足一个通用的线上模型了。
当然，我们不可能道尽所有的技术，而接着上面的思路，也还有很多可以做的事情，本篇的重点，是让大家学会分析性能网络的性能瓶颈，从而针对性的去优化网络。更多类似技巧和实验，作为技术人员，自己尝试去吧。
注：部分图片来自网络
—END—
公众号内容
1 图像基础｜2 深度学习｜3 行业信息
本文摘自 ：https://blog.51cto.com/u
