机器视觉：MobileNet 和 ShuffleNet

虽然很多CNN模型在图像识别领域取得了巨大的成功，但是一个越来越突出的问题就是模型的复杂度太高，无法在手机端使用，为了能在手机端将CNN模型跑起来，并且能取得不错的效果，有很多研究人员做了很多有意义的探索和尝试，今天就介绍两个比较轻量级的模型 mobile net 和 shuffle net。

在介绍这几个轻量型的网络之前，我们先来看看，为什么卷积神经网络的运算功耗这么大。

卷积神经网络，顾名思义，就是会有很多的卷积运算，而卷积神经网络中，最费时间的就是其中的卷积运算。我们知道，一张 h×w$h\times w$ 的图像，与一个 k×k$k\times k$ 的卷积核做卷积卷积运算，需要 h×w×k×k$h\times w\times k\times k$ 这么多次的运算，而 CNN 中，随便一个卷积层， 都会有几十甚至上百个 feature map， 假设卷积层 l1$l_1$ 含有 c1$c_1$ 个 feature map，即通道数为 c1$c_1$， 每个 feature map 的大小为 h1×w1$h_1\times w_1$， 卷积核的大小为 k×k$k\times k$，假设 l2$l_2$ 的 feature map 大小与 l1$l_1$ 一样，通道数为 c2$c_2$ ，l2$l_2$ 中每个 feature map 上的一个像素点，都是由 l1$l_1$ 上的 feature map 与 卷积核做卷积运算得来的。这样，总共需要的运算次数为：

h1×w1×k×k×c1×c2$$h_1\times w_1\times k\times k\times c_1\times c_2$$

Mobile-Net V1

为了减少运算量，Mobile-net V1 利用了 depth-wise 的概念，我们都知道 pooling 层的运作机理，input feature map 和 output feature map 是 一 一对应的，depth-wise convolution 也是类似的道理，做卷积的时候不再把 input feature map 进行线性组合了，而是采取一 一对应的方式，这样卷积的运算次数就变成了：

h1×w1×k×k×c1$$h_1\times w_1\times k\times k\times c_1$$

也就是说，我input 有 c1$c_1$ 个 feature map，卷积之后，还是有 c1$c_1$ 个 feature map，运算量减少了很多。

不过，也带来一个问题，这样卷积得到的 feature map 之间没有任何信息融合，这肯定不利于特征提取的，所以在 depth-wise 卷积运算后面，会再接一个 1×1$1\times 1$ 的卷积运算，所以总的运算次数是：

h1×w1×k×k×c1+h×w×c2×c1$$h_1\times w_1\times k\times k\times c_1+h\times w\times c_2\times c_1$$

V1 主要的模块如下图所示，就是利用 depth-wise 卷积替换了常规的卷积运算，为了让得到的 feature map 进行信息融合，后面又接了一个 1×1$1\times 1$ 的卷积。

Mobile-Net V2

Mobile-Net V1 推出来之后，Google 又推出了 Mobile-Net V2，V2 在 residual-block 里面做文章，利用 depth-wise convolution 和 1×1$1\times 1$ 的卷积，简单来说，就是对 input feature map，先利用 1×1$1\times 1$ 进行通道扩展，这样一扩展，可以增加通道数，提升卷积层特征的表示能力，接着再利用 depth-wise convolution 做卷积运算，这样不会增加太多的运算量，又能利用很多的通道，最后再做一个通道压缩，一压缩，往后传的 feature map 的通道数并不会增加，论文中也给出了示意图：

Shuffle-Net

shuffle-net 这个网络模型，是利用了 group 卷积的概念，与 depth-wise 有点像，只不过，depth-wise 是 feature map 一 一对应的，而 group 卷积是将每个卷积层的 feature map 分成几个组，每个组之间没有交叉，不过组内的 feature map 做卷积的时候和常规的卷积运算是一样的，所以 group 卷积的复杂度应该是介于常规卷积核 depth-wise 卷积之间的，shuffle-net 的创新之处在于，group 卷积之后，为了增加组与组之间的 feature map的通信，提出了一个 shuffle channel 的技术，就是将 group 卷积之后 feature map 打乱，乱序连接到下一层，如下图所示：

通过 group 卷积，可以降低运算量，通过 channel shuffle，可以增加 feature map之间的信息融合，所以 shuffle-net 也能在提升运算效率的同时，保持一定的特征学习能力。论文也给出几种不同的 block，

上图 (a) 是利用 depth-wise 卷积，(b) 和 (c) 都是 shuffle-net 的模块，不同的就是卷积的 stride 不同，所以最后的处理方式也不太一样。

参考文献
1： MobileNets: Efficient Convolutional Neural Networks for Mobile Vision
Applications
2： MobileNetV2: Inverted Residuals and Linear Bottlenecks
3： ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile
Devices