深度网络重参数化

最近看知乎推送的CVPR2022的一篇论文的时候发现文章提到了re-parameterized这个词，搜了一下发现了作者关于重参数化的一个报告，于是简单记录了一下～

什么是重参数化(re-parameterized)

常规思想：对于一个卷积层需要的参数是$D\times C\times K\times K$，训练出来的参数就是$D\times C\times K\times K$。

重参数化方法：训练时用的是另一套不同于$D\times C\times K\times K$的参数，训练完后等价转换为$D\times C\times K\times K$用于推理。

意义：提高模型的性能，改变模型的结构。

关键之处：想出重参数化的形式（如何不同于原来的）；找到对应的转换方法；如何利用这种形式达到目的；

作者的ICCV2019的一个工作ACNet：

训练时多训一会，部署时模型跟以前一样却能获得性能提升。

重参数化的另一个应用是改变模型结构。

背景：Channel pruning

效果：把卷积层输出通道变小（把层变窄）

难点：CNN的精度与宽度密切相关，如何在减小宽度的时候保证精度不降低则是一个关键问题。

给定一个训练好的模型，通常的做法是：

根据某些标准选择某些channel，将其剪掉，调整网络的结构，做fine tune。

加入某种约束，训练，使得某些channel接近0，剪掉，finetune。