引言

　　深度神经网络模型被广泛应用在图像分类、物体检测等机器视觉任务中，并取得了巨大成功。然而，由于存储空间和功耗的限制，神经网络模型在嵌入式设备上的存储与计算仍然是一个巨大的挑战。

目前工业级和学术界设计轻量化神经网络模型主要有4个方向：

人工设计轻量化神经网络模型
基于神经网络架构搜索(Neural Architecture Search,NAS)的自动化设计神经网络
CNN模型压缩
基于AutoML的自动模型压缩

　　本文首先介绍基本卷积计算单元，并基于这些单元介绍MobileNet V1&V2，ShuffleNet V1&V2的设计思路。其次，最后介绍自动化设计神经网络的主流方法和基本思路。最后概述CNN模型压缩的主要方法，详细说明基于AutoML的自动模型压缩的相关算法：AMC、PockFlow以及TensorFlow lite的代码实现。

基本卷积运算

标准卷积

　　卷积层的输入为$(N,C_{in},H_{in},W_{in})$。输出为 $(N,C_{out},H_{out},W_{out})$，其中$H_{\text{out}}$和$W_{\text{out}}$ 分别为特征图的高度和宽度。卷积核(Kernel)的高和宽：$K[0]$和$K[1]$

$$FLOPS=(C_{in}*K[0]·K[1])*H_{\text{out}}·W_{\text{out}}*C_{out}\quad(考虑bias)$$

输出特征图中有$H_{\text{out}}*W_{\text{out}}*C_{out}$个像素；每个像素对应一个立体卷积核$k[0]*k[1]*C_{in}$在输入特征图上做立体卷积卷积出来的；而这个立体卷积操作，卷积核上每个点都对应一次MACC操作

图3标准卷积：空间维度和通道维度示意图

吃个例子

　　输入shape为(7*7*3)，卷积核大小为(filter size)(3*3*3)，卷积核个数(filter num \ channel_out)为2，输出shape为(3*3*2)。

Grouped Convolution

　　分组卷积是标准卷积的变体，其中输入特征通道被为G组(图4)，并且对于每个分组的信道独立地执行卷积，则分组卷积计算量为标准卷积计算量的1/G：

$$FLOPS=\frac{(C_{in}*K[0]*K[1])*H_{\text{out}}*W_{\text{out}}*C_{out}}{G}$$

分组卷积：空间维度和通道维度示意图

Depthwise convolution

引用：Chollet F. Xception: Deep learning with depthwise separable convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1251-1258.

　　Depthwise convolution 是指将输入特征图$(batch\_size, H\_{in}, W\_{in}, C\_{in})$分为group组，Group=$C\_{in}$(既Depthwise 是Grouped Convlution的特殊简化形式)，然后每一组做k*k卷积，Depthwise convolution的计算量为普通卷积的$1/C_{in}$，通过忽略通道维度的卷积显著降低计算量

$$FLOPS=K[0]*K[1]*H_{\text{out}}*W_{\text{out}}*C_{in}$$

　　Depthwise相当于单独收集每个Channel的空间特征。

Depthwise卷积：空间维度和通道维度示意图

pointwise convolution

　　Pointwise是指对输入$(batch\_size, H\_{in}, W\_{in}, C\_{in})$做$k$个普通的 1×1卷积，主要用于改变输出通道特征维度，相当于在通道之间“混合”信息。Pointwise计算量为

$$FLOPS=H_{\text{out}}*W_{\text{out}}*C_{in}*C_{out}$$

Pointwise卷积：空间维度和通道维度示意图

Channel Shuffle

　　Grouped Convlution导致模型的信息流限制在各个group内，组与组之间没有信息交换，这会影响模型的表示能力。因此，需要引入group之间信息交换的机制，即Channel Shuffle操作。

　　Channel shuffle是ShuffleNet提出的，通过张量的reshape 和transpose，实现改变通道之间顺序。Channel shuffle没有卷积计算，仅简单改变通道的顺序。

Channel shuffle：空间维度和通道维度示意图

2 轻量化模型设计

SequeezeNet

Iandola F N, Han S, Moskewicz M W, et al. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size[J]. arXiv preprint arXiv:1602.07360, 2016.

在网络结构设计方面主要采取以下三种方式：

用1*1卷积核替换3*3卷积：理论上一个1*1卷积核的参数是一个3*3卷积核的1/9，可以将模型尺寸压缩9倍。
减小3*3卷积的输入通道数：根据上述公式，减少输入通道数不仅可以减少卷积的运算量，而且输入通道数与输出通道数相同时还可以减少MAC。
延迟降采样：分辨率越大的输入能够提供更多特征的信息，有利于网络的训练判断，延迟降采样可以提高网络精度。

　　SqueezeNet提出一种多分支结构——fire model，其中是由Squeeze层和expand层构成。Squeeze层是由s1个1*1卷积组成，主要是通过1*1的卷积降低expand层的输入维度；expand层利用e1个1*1和e3个3*3卷积构成多分支结构提取输入特征，以此提高网络的精度(其中e1=e3=4*s1)。

DepthwiseSeparableConv

Howard A G, Zhu M, Chen B, et al. MobileNets: Efficient convolutional neural networks for mobile vision applications[J]. arXiv preprint arXiv:1704.04861, 2017.

深度可分离卷积由一个深度卷积(depthwise convolution)和一个逐点卷积(pointwise convolution)组成。

采用深度卷积(depthwise convolution)在减少参数数量的同时提升运算速度。但是由于每个feature map只被一个卷积核卷积，因此经过深度卷积输出的feature map不能只包含输入特征图的全部信息，而且特征之间的信息不能进行交流，导致“信息流通不畅”。
采用逐点卷积(pointwise convolution)实现通道特征信息交流，解决深度卷积卷积导致“信息流通不畅”的问题。

深度可分离卷积总计算量是：

$$FLOPS = depthwise+pointwise =K[0]*K[1]*H_{\text{out}}*W_{\text{out}}*C_{in}+H_{\text{out}}*W_{\text{out}}*C_{in}*C_{out}=H_{\text{out}}*W_{\text{out}}*C_{in}(K[0]*K[1]+C_{out})$$

$$\frac{depthwise+pointwise}{conv}=\frac{H_{\text{out}}*W_{\text{out}}*C_{in}(K[0]*K[1]+C_{out})}{(C_{in}*K[0]·K[1])*H_{\text{out}}·W_{\text{out}}*C_{out}}=\frac{1}{C_{out}}+\frac{1}{(K[0]·K[1]}$$

一般网络架构中$C_{out}$远大于卷积核尺寸，(e.g. K=3 and M ≥ 32)，既深度可分离卷积计算量可显著降低标准卷积计算量的1/8–1/9。

深度可分离卷积：空间维度和通道维度示意图

MobileNet-v2

Sandler M, Howard A, Zhu M, et al. Mobilenetv2: Inverted residuals and linear bottlenecks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 4510-4520.

　　MobileNet V1设计时参考传统的VGGNet等链式架构，但层叠过多的卷积层会出现一个问题，就是梯度弥散(Vanishing)。残差网络使信息更容易在各层之间流动，包括在前向传播时提供特征重用，在反向传播时缓解梯度信号消失。于是改进版的MobileNet V2[3]增加skip connection，并且对ResNet和Mobilenet V1基本Block如下改进：

采用Inverted residuals：为了保证网络可以提取更多的特征，在residual block中第一个1*1 Conv和3*3 DW Conv之前进行通道扩充
Linear bottlenecks：为了避免ReLU对特征的破坏，在residual block的Eltwise sum之前的那个 1*1 Conv 不再采用ReLU
stride=2的Conv不使用shot-cot，stride=1的Conv使用shot-cut

Inverted residuals

　　ResNet中Residuals block先经过1*1的卷积，把feature map的通道数降下来，再经过3*3 卷积，最后经过一个1*1 的卷积将通道数再“扩张”回去。即采用先压缩，后扩张的方式。inverted residuals采用先扩张，后压缩的方式。

原因：MobileNet采用DW conv提取特征，由于DW conv本身提取的特征数就少，再经过传统residuals block进行“压缩”，此时提取的特征数会更少，因此inverted residuals对其进行“扩张”，保证网络可以提取更多的特征。

Linear bottlenecks

　　ReLu激活函数会破坏特征。ReLu对于负的输入，输出全为0，而本来DW conv特征通道已经被“压缩”，再经过ReLu的话，又会损失一部分特征。采用Linear，目的是防止Relu破坏特征。

shortcut

　　stride=2的conv不使用shot-cot，stride=1的conv使用shot-cut

ShuffleNet-v1

Zhang X, Zhou X, Lin M, et al. Shufflenet: An extremely efficient convolutional neural network for mobile devices[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 6848-6856.

　　MobileNet中1*1卷积的操作占据了约95%的计算量，所以ShuffleNet将1*1也更改为group卷积，使得相比MobileNet的计算量大大减少。group卷积与DW存在同样使“通道信息交流不畅”的问题，MobileNet中采用pointwise(PW) Conv解决上述问题，SheffleNet中采用channel shuffle，将输入的group进行打散，从而保证每个卷积核的感受野能够分散到不同group的输入中，增加了模型的学习能力。

采用group conv减少大量参数：roup conv与DW conv存在相同的“信息流通不畅”问题
采用channel shuffle解决上述问题：MobileNet中采用PW conv解决上述问题，SheffleNet中采用channel shuffle
采用concat替换add操作：avg pooling和DW conv(s=2)会减小feature map的分辨率，采用concat增加通道数从而弥补分辨率减小而带来信息的损失

ShuffleNet的shuffle操作如图所示

　　avg pooling和DW conv(s=2)会减小feature map的分辨率，采用concat增加通道数从而弥补分辨率减小而带来信息的损失；实验表明：多使用多通道(提升通道的使用率)，有助于提高小模型的准确率。

ResNet bootleneck计算量：

$$FLOPS=H_{out}*W_{out}(2*C_{in}*C_{in}+K[0]*K[1]*C_{in}*C_{in})$$

ShuffleNet stride=1计算量：

$FLOPS=H_{out}*W_{out}(\frac{2*C_{in}*C_{in}}{8}+K*C_{in}*C_{in})$

对比可知，ShuffleNet和ResNet结构可知，ShuffleNet计算量降低主要是通过分组卷积实现。ShuffleNet虽然降低了计算量，但是引入两个新的问题：

channel shuffle在工程实现占用大量内存和指针跳转，这部分很耗时。
channel shuffle的规则是人工设计，分组之间信息交流存在随意性，没有理论指导。

ShuffleNet-v2

Ma N, Zhang X, Zheng H T, et al. Shufflenet v2: Practical guidelines for efficient cnn architecture design[C]//Proceedings of the European conference on computer vision (ECCV). 2018: 116-131.

ShuffleNet-v2提出影响神经网络速度的4个因素：

FLOPs(FLOPs就是网络执行了多少multiply-adds操作)
MAC(内存访问成本)
并行度(如果网络并行度高，速度明显提升)
计算平台(GPU，ARM)

ShuffleNet-v2 提出了4点网络结构设计策略：

输入输出的channel相同时，MAC最小
组卷积会增加MAC
多分支降低运算效率；
元素级运算增加计算量

　　depthwise convolution 和瓶颈结构增加了 MAC，用了太多的 group，跨层连接中的 element-wise Add 操作也是可以优化的点。所以在 shuffleNet V2 中增加了几种新特性。

　　ShuffleNet V2 引入通道分割(channel split)操作，将输入通道分为两组：一个分支为shortcut流，另一个分支含三个卷积(且三个分支的通道数一样)，分支合并采用拼接(concat)，让前后的channel数相同，最后进行Channel Shuffle。元素级的三个运算channel split、concat、Channel Shuffle合并一个Element-wise，显著降低计算复杂度。

　　所谓的 channel split 其实就是将通道数一分为2，化成两分支来代替原先的分组卷积结构，并且每个分支中的卷积层都是保持输入输出通道数相同，其中一个分支不采取任何操作减少基本单元数，最后使用了 concat 代替原来的 elementy-wise add，并且后面不加 ReLU，再加入channle shuffle 来增加通道之间的信息交流。对于下采样层，在这一层中对通道数进行翻倍。在网络结构的最后，即平均值池化层前加入一层 1×1 的卷积层来进一步的混合特征。

(a)ShuﬄeNet 基本单元；(b)用于空间下采样 (2×) 的 ShuffleNet 单元

(c)ShuﬄeNet V2 的基本单元；(d)用于空间下采样 (2×) 的 ShuffleNet V2 单元

　　由于高效，可以增加更多的channel，增加网络容量，采用split使得一部分特征直接与下面的block相连，特征复用(DenseNet)

Xception

Chollet F. Xception: Deep learning with depthwise separable convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1251-1258.

　　Xception假设卷积的时候要将通道的卷积与空间的卷积进行分离，这样会比较好。Xception是对Inception v3的另一种改进，主要是采用depthwise separable convolution来替换原来Inception v3中的卷积操作。

与原版的Depth-wise convolution有两个不同之处：

原版Depth-wise convolution，先逐通道卷积，再1*1卷积；而Xception是反过来，先1*1卷积，再逐通道卷积；
原版Depth-wise convolution的两个卷积之间是不带激活函数的，而Xception在经过1*1卷积之后会带上一个Relu的非线性激活函数；

Xception的发展流程如下：

图：左：Inception module (Inception V3)；中：A simplified Inception module；右：XInception 模块

总结

在移动端部署深度卷积网络，无论什么视觉任务，选择高精度的计算量少和参数少的骨干网是必经之路。轻量化网络是移动端的研究重点，目前的一些主要的轻量化网络及特点如下：

SqueezeNet：提出Fire Module设计，主要思想是先通过1×1卷积压缩通道数(Squeeze)，再通过并行使用1×1卷积和3×3卷积来抽取特征(Expand)，通过延迟下采样阶段来保证精度。综合来说，SqueezeNet旨在减少参数量来加速。

通过减少MAdds来加速的轻量模型：

MobileNet V1：提出深度可分离卷积；
MobileNet V2：提出反转残差线性瓶颈块；
ShuffleNet：结合使用分组卷积和通道混洗操作；
CondenseNet：dense连接
ShiftNet：利用shift操作和逐点卷积代替了昂贵的空间卷积

从SqueezeNet开始模型的参数量就不断下降，为了进一步减少模型的实际操作数(MAdds)，MobileNetV1利用了深度可分离卷积提高了计算效率，而MobileNetV2则加入了线性bottlenecks和反转残差模块构成了高效的基本模块。随后的ShuffleNet充分利用了组卷积和通道shuffle进一步提高模型效率。CondenseNet则学习保留有效的dense连接在保持精度的同时降低，ShiftNet则利用shift操作和逐点卷积代替了昂贵的空间卷积。

(1)MobileNet-v1中深度可分离卷积的理解：

将传统卷积分解为空间滤波和特征生成两个步骤，空间滤波对应较轻的3×3 depthwise conv layer，特征生成对应较重的1×1 pointwise conv layer.

(2)MobileNet-v2中反转残差线性瓶颈块的理解：

扩张(1×1 conv) -> 抽取特征(3×3 depthwise)-> 压缩(1×1 conv)

当且仅当输入输出具有相同的通道数时，才进行残余连接

在最后“压缩”完以后，没有接ReLU激活，作者认为这样会引起较大的信息损失

该结构在输入和输出处保持紧凑的表示，同时在内部扩展到更高维的特征空间，以增加非线性每通道变换的表现力。

(3)MnasNet理解：

在MobileNet-v2的基础上构建，融入SENet的思想

与SE-ResBlock相比，不同点在于SE-ResBlock的SE layer加在最后一个1×1卷积后，而MnasNet的SE layer加在depthwise卷积之后，也就是在通道数最多的feature map上做Attention。

(4)MobileNet-v3的理解：

MobileNet-v3集现有轻量模型思想于一体，主要包括：swish非线性激活Squeeze and Excitation思想为了减轻计算swish中传统sigmoid的代价，提出了hard sigmoid

　　这么一看就发现，轻量化主要得益于depth-wise convolution，因此大家可以考虑采用depth-wise convolution 来设计自己的轻量化网络，但是要注意“信息流通不畅问题”

解决“信息流通不畅”的问题，MobileNet采用了point-wise convolution，ShuffleNet采用的是channel shuffle。MobileNet相较于ShuffleNet使用了更多的卷积，计算量和参数量上是劣势，但是增加了非线性层数，理论上特征更抽象，更高级了；ShuffleNet则省去point-wise convolution，采用channel shuffle，简单明了，省去卷积步骤，减少了参数量。