论文阅记 MobileNet V1

　　论文题目：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

　　文献地址：https://arxiv.org/abs/1704.04861?context=cs

　　(非官方)源码地址：

　　（1）Pytorch实现：https://github.com/rwightman/pytorch-image-models

　　（2）Caffe实现：https://github.com/shicai/MobileNet-Caffe

　　（3）TensorFlow实现MobileNet - YOLOV3： https://github.com/GuodongQi/yolo3_tensorflow

 

　　MobileNet V1中提到的轻量级深度分离卷积的思想在MobileNet V2，MnasNet，MobileNet V3，以及单目标追踪算法SiamMask中均得以运用。虽然单独使用MobileNet V1的场景不多，但是了解其思想，对于后续论文的理解有铺垫性的作用。

移动端神经网络现状

　　MobileNet的提出是针对移动或者嵌入式的应用场景。大而复杂的模型是难以在嵌入式、FPGA等移动端使用的。视觉模型在移动端使用有两大难题：

1. 模型过于庞大，容易造成硬件内存不足的问题；
2. 大多场景要求低延迟、响应速度快。【自动驾驶的行人检测如果响应速度慢，则会发生比较可怕的事情】

　　因此，研究小而精确的模型对于现实的应用场景十分重要。

　　目前的两大解决策略：

1. 对训练好的复杂模型进行压缩得到小模型；    ☆☆☆☆☆
2. 直接对小模型进行训练；

　　保证模型的性能，降低模型的大小，提升模型的速度。

　　MobileNet属于后者，其使用了Depth wise separable convolutions。降低了卷积运算的参数量和运算量。

　　其可以用于目标检测，提出的核心思想是轻量级的卷积运算。在实际应用中，通常会有人选择其升级版MobileNet V2 作为一个快速目标识别的网络，用于获取patch给追踪算法。

核心思想

　　MobileNet最核心的层就是深度可分离卷积的设计【depth wise separable  convolutions】。

　　深度可分离卷积是将普通卷积分离为深度卷积和1*1卷积。

　　深度卷积的意思就是针对每个输入通道采用不同的卷积核，一个卷积核对应一个输入通道，也就是说，虽然有M个卷积核，但总共只有标准卷积的1个卷积核的大小。【一个卷积核是单通道的，M个卷积核相当于对输入的每一个通道，每一个通道对应一个1通道的卷积核。M个卷积核也就是一个与输入feature map 相同通道数量的卷积核。】其实可以理解，为什么要将标准卷积层换分为两个部分：

　　☐ 　depth wise 的卷积是每一个通道对应一个一层的卷积核，每个通道都对应一个卷积核，这样经过卷积运算后，通道数量不会发生变化。 所以需要1*1卷积进行通道数量的调整。

　　【深度卷积：depthwise convolution;        1*1卷积： pointwise convolution】

• 下图(a)中是标准的卷积操作，输入feature map的通道数量为M，则N个卷积核的通道数量均为M；
• 图(b)中是深度可分离卷积操作，输入feature map的通道数量为M，每一个通道对应一个卷积核，这样M个卷积核的参数量相当于只有标准卷积操作一个卷积核；
• 图(c)中是N个通道数量M的1*1卷积操作，由于图(b)中的输出结果的通道数量不会发生变化，也为M，因此，需要1*1卷积进行通道数量的调整。

　　情形：对于输入feature map  F[维度为Df * Df * M] ，输出的feature map G[维度为Dg * Dg * N]

 

• 标准卷积的卷积核的参数量为 Dk * Dk * M * N [Dk表示卷积核的尺寸]。

　　如果步长为1，padding也为1，则其对应的计算：

　　将会对应计算量为：

• 深度可分离卷积：

　　深度卷积计算形式：

　　运算量 (从结构图中也可以看出，运算量少N-1个卷积核的操作)：

　　深度分离卷积运算量：

　　一般情况下 N 比较大，那么如果采用3x3卷积核，depthwise separable convolution相较于标准卷积可以降低大约9倍的计算量。

网络结构

　　在实际应用中会添加BN和ReLU层。

　　

　　The full architecture of MobileNet V1 consists of a regular 3×3 convolution as the very first layer, followed by 13 times the above building block.

　　整体的网络结构中，包含一个常规的3*3卷积作为第一层，之后包含了13个上述的Depthwise Separable Convolutional block。 Depthwise Separable Convolutional block中没有池化层，而是使用步长为2的DW操作进行下采样。PW操作会2倍放大通道数量。如果输入图像的尺寸为 224×224×3，最终网络的输出则为7×7×1024。激活函数使用ReLU6。

y = min(max(0, x), 6)

　　最后呢，还会再加上一个平均池化操作和全连接层，全连接层使用softmax激活函数。

总结

　　MobileNet V1版本结构其实非常简单，从网络结构上看，其结构是一个非常复古的直筒结构，类似于VGG。这种结构性价比不高，后续一系列的ResNet、DenseNet等结构已经证明通过复用图像特征，使用concat/eltwise+等操作进行特征融合，能极大提升网络的性价比。

　　MobileNet V1版本中，Depthwise Conv确实是大大减少了参数量，也降低了计算量。而且N×N 的DW + 1×1的PW的结构在性能上也能接近N × N 的Conv。但是在实际使用中会发现，Depthwise （DW）部分的Kernel容易训练废掉： 即训练之后发现depthwise训练出来的kernel有不少是空的。depthwise每个kernel dim 相对于vanilla conv要小得多， 过小的kernel_dim， 加上ReLU的激活影响下， 使得神经元输出很容易变为0， 所以就学废了。 ReLU对于0的输出的梯度为0， 所以一旦陷入了0输出， 就没法恢复了。