ShuffleNet深度学习网络-结构简介
参考博文：https://www.cnblogs.com/dengshunge/p/11407104.html
ShuffleNet是旷世提出的高效轻量化网络，是一款很值得一提的轻量化网络，其相关论文也是很有价值的。
ShuffleNet V1
该网络提出于2017年，论文为《ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices》。
由于Xception和ResNeXt中存在大量密集的1*1卷积，导致网络十分低效。因此，旷世提出了pointwise group convolutions来减少1*1卷积的计算复杂度。但是，这样会带来副作用：通道间的信息没有得到很好的交流融合。所以，继而提出channel shuffle来帮助信息在不同特征通道中的流动。可以看出，ShuffleNet V1的主要两个创新点是pointwise group convolutions和channel shuffle。
如Fig.1所示，左图是普通的group卷积，卷积核只有相应的输入通道进行作用，不同通道之间信息没有交流。如果组数等于通道数，就可以理解成mobilenet中的depthwise convolution。(b)图是将通道进行重新打乱排列，使得不同通道信息之间能相互交流。(c)图是(b)图的等价，使用了channle shuffle进行通道重新排列。如果group卷积能够获得不同group中的输入数据，输入特征和输出特征就能很好的关联起来。通过channle shuffle操作，能构建更加强有力的网络结构。
为了使用好channel shuffle的操作，作者提出了ShuffleNet网络。首先，我们先看一下其基本单元ShuffleNet Unit。如Fig.2所示，(a)图是ResNeXT的残差模块，经过1*1的卷积来降低通道数，然后使用3*3的group卷积，最后使用1*1的卷积将通道数提升回原来。(b)图是作者提出的ShuffleNet Unit，与残差模块类似，将残差模块中的1*1卷积换成1*1的group卷积，并加入了channel shuffle操作。值得注意的是，3*3的group卷积后，没有接激活函数。(c)图是步长为2的情况，基本类似，但最后是concat操作，而不是add，这样做的目的是在很小的计算成本下，更容易扩大通道数。
接下来分析一下，ShuffleNet的FLOPs的变化。假设输出尺寸为c∗h∗wc∗h∗w，和bottleneck中的通道数为mm，gg是分组的组数。
- ResNet的FLOPs为hwcm+9hwm2+hwmc=9hwm2+2hwcmhwcm+9hwm2+hwmc=9hwm2+2hwcm
- ResNeXt的FLOPs为hwcm+9hwm2/g2+hwcm=9hwm2/g+2hwcmhwcm+9hwm2/g2+hwcm=9hwm2/g+2hwcm
- ShuffleNet的FLOPs为9hwm+2hwcm/g9hwm+2hwcm/g（但我自己计算出来的是hwcm/g2+9hwm2/g2+hwcm/g2hwcm/g2+9hwm2/g2+hwcm/g2，不知道哪里出错的）
可以看出，ShuffleNet相对的FLOPs较小。换而言之，在相同的计算资源限制下，ShuffleNet能使用更宽的特征图。这个对轻量化网络来说，是非常重要的。因为轻量化网络通常由于特征图宽度不足而无法更好处理信息。
基于提出的ShuffleNet Unit，可以构建出Shuffle网络， 如Table.1所示。在整体计算资源变化不大下（~140MFLOPs），当组数g扩大的时候，可以采用更加宽的特征图，来更好的编码信息。
为了评估pointwise group convolution的重要性，作者在上面的网络中使用了不同的g值（通道数会变化的情况），结果如Table.1所示。利用看出，当g>1时，性能会比g=1的情况好（g=1的网络类似于Xception）。所以，小网络会因为分组而得到准确率上的提升。作者认为这是因为更大的特征图宽度对特征的编码起到更多作用。但也值得注意的是，g值越大并不一定越好，网络可能会饱和或者准确率出现恶化。
最后作者在ARM平台上测试了ShuffleNet的真实速度，发现，尽管g=4或者g=8有更高的准确率，但效率却不是最高的。最终采用g=3来折中准确率和最终运行速度。作者还尝试了加入SE模块，但速度大大变慢了。
ShuffleNet V2
该网络提出于2018年，《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design》。主要的创新点是提出了4条轻量化的原则，并基于此4条原则，在v1基础上提出了ShuffleNet V2。
首先介绍一下FLOPs，这里引用了知乎博主的介绍。
FLOPS: floating point operations per second
FLOPs: floating point operations
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 = 10^9 FLOPs）
在衡量计算复杂度时，通常使用的是FLOPs（the number of float-point operations），但FLOPs是一个间接衡量的指标，它是一种近似但不等价于直接衡量指标。在实际中，我们所关心的是速度或者延时，而这些才是直接衡量的指标。因此，使用FLOPs作为唯一衡量计算复杂度的指标，是不充分的，而且容易导致次优的网络设计。
直接衡量指标（速度）和间接衡量指标（FLOPs）之间的差异，主要源于以下两个原因：
- 还有多个影响速度的指标，并未纳入FLOPs的考虑范围中。例如MAC（memory access cost，内存访问成本），MAC对group卷积的速度影响很大；平行度（degree of parallelism），高平行度的网络的推理速度更快。
- 不同平台对推理时间的影响。例如，CUDNN对3*3的卷积进行了优化，不能简单认为其是1*1卷积的9倍。
所以，接下来作者对网络的衡量指标有两点，i)使用直接衡量指标（速度）；ii)在特定的同一个平台上进行衡量。
Fig.2是ShuffleNet v1和MobileNet v2的时间占比图。从图中可以看出，FLOPs仅仅是考虑了卷积部分，但其他时间同样不能忽略，例如数据的读取，Element-wise等操作。
基于上述的观察，提出了4条关于轻量化网络设计的原则：
- 当输入通道数和输出通道数的值接近1:1时，能减少MAC时间；
- 过多的group卷积，会增加MAC时间；
- 网络的分裂会降低平行度；
- Element-wise操作是不可以忽略的，包括ReLU，AddTensor，ADDBias等。
作者批判了部分轻量化网络，ShuffleNet v1过多依赖于group卷积，违反了原则2，而且使用了bottleneck模块，违反了原则1；MobileNet v2使用了倒残差模块，违反了原则1，使用了过多的深度可分离卷积核ReLU，违反了原则4；而AutoML出来的网络会存在分裂，违反了原则3。
所以，根据上述的4条原则，设计一种高效而且轻量化网络的关键是，如何保持大通道数和通道数不变的情况下，即不使用过多卷积，又不过多分组。
为了实现刚刚说的目的，引入了channel split操作，如Fig.3所示。(a)和(b)图是ShuffleNet v1中的基础单元。(c)图是引入了channel split操作的ShuffleNet v2的基本单元。(d)图是步长为2时的单元。
在该单元一开始，输入被分成两个分支，通道数分别是c−c‘c−c‘和c‘c‘。左边的分支保持不变，恒定变化；右边的分支会经过3个卷积，使用了相同的输入通道数和输出通道数。其中，两个1*1的卷积不再是group卷积，而是普通的卷积。当卷积完成后，两个分支会进行concat，最后使用channel shuffle来进行不同通道之间的信息交流。
基于上述的基本单元，构成ShuffleNet v2的网络结构，如Table.5所示。其中，c‘=c/2c‘=c/2。
综上所述，ShuffleNet v2提出的4条原则，是十分有意义的。现在很多AutoML出来的网络，其是以FLOPS作为限制条件的，所以最后出来的网络FLOPS很低，但实际进行测试时，速度缺未能达到预期效果，如EfficientNet b0，实测速度约为11ms，在resnet34的速度为6ms。
另外，在接近的计算资源下，ShuffleNet v2确实能达到较高的准确率和速度，是一个很好的网络结构。
最后，旷世在一年后，开源了ShuffleNet，有兴趣的话，开源研究一下：https://github.com/megvii-model/ShuffleNet-Series
