【网络优化】超轻量级网络SqueezeNet算法详解

Iandola, Forrest N., et al. “SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 1MB model size.” arXiv preprint arXiv:1602.07360 (2016).

本文考察了深度学习中除了精度之外的另一个重要因素：模型大小。有两处值得学习的亮点：
- 给出了一个分类精度接近AlexNet1的网络，模型缩小510倍
- 归纳了缩小模型尺寸时的设计思路

复习：卷积层的参数个数。
输入通道ci，核尺寸k，输出通道co，参数个数为：ci×k2×co。
以AlexNet第一个卷积层为例，参数量达到：3*11*11*96 = 34848。

作者提供的源码请戳这里，各个主流框架均有实现。

基础模块

在当下许多深度学习的文章中都使用了模块化的设计思想，远者有AlexNet中反复出现的conv+relu+pool模式；近者有用于人体姿态分析的Stacked Hourglass算法（参看这篇博客）

本文使用的基础模块称为fire：

包含三个卷积层（蓝色），步长均为1。分为squeeze和expand两部分，分别压缩和扩展数据（灰色矩形）的通道数。
expand部分中，两个不同核尺寸的结果通过串接层（黄色）合并输出。

fire模块有三个可调参数：
- s1: squeeze部分，1×1卷积层的通道数
- e1: expand部分，1×1卷积层的通道数
- e3: expand部分，3×3卷积层的通道数

输入输出尺寸相同。输入通道数不限，输出通道数为e1+e3。
在本文提出的SqueezeNet结构中，e1=e3=4s1。

网络结构

整个网络包含10层。
第1层为卷积层（蓝色），缩小输入图像，提取96维特征。
第2到9层为fire模块（红色），每个模块内部先减少通道数（squeeze）再增加通道数（expamd）。每两个模块之后，通道数会增加。
在1,4,8层之后加入降采样的max pooling（绿色），缩小一半尺寸。
第10层又是卷积层（蓝色），为小图的每个像素预测1000类分类得分。
最后用一个全图average pooling（绿色）得到这张图的1000类得分，使用softmax函数归一化为概率。

这是一个全卷积网络，避免了如今越来越不受待见的全连接层。由于最后一层提供了全图求平均操作，可以接受任意尺寸的输入。当然，输入还是需要归一化到大致相当的尺寸，保持统一尺度。

全连接层的参数多，对性能提升帮助不大，现在往往被pooling代替。

这个网络达到了和AlexNet相当的分类精度，但模型缩小了50倍：

architecture model size top-1 accuracy top-5 accuracy AlexNet 240MB 57.2% 80.3% SqueezeNet 4.8MB 57.5% 80.3%

参数压缩

在网络结构确定的前提下，还可以进一步压缩其中的参数。本文使用了第二作者的Deep Compression2方法，包含裁剪，量化，编码三个手段。

AlexNet中卷积层的weight、bias以及全连层参数分布如下所示。可以看出：全连层参数和卷积层weight占绝大多数，卷积层的bias只占极小部分。

参数压缩针对卷积层的weight和全连层参数。每一层的参数单独压缩。

裁剪

由前图可以看出，绝大部分参数集中在0附近。

裁剪操作的第一步，把网络中所有绝对值小于门限的参数置0；非零参数再次训练进行优化。

第二步，用下标方法表示剩余的参数：记录非零参数值和其在数组中的下标。

论文声称使用compressed sparse row方法进行压缩，实际源码中并没有。

下标中相邻元素差值不会超过数组长度。为了进一步压缩，把下标表示成差分形式。

例：稀疏矩阵

⎡⎣⎢⎢⎢0500080600300000⎤⎦⎥⎥⎥

A = [ 5 8 3 6 ], IA = [4 5 10 13]
差分形式：IA = [4 1 5 3]

差分形式的IA动态范围大大缩小，可以用较少的比特数（4）进行编码。
当差值超出当前比特数能表示的范围后，在中间插入一个值为0的“非零元素”。

量化(Quantization)

首先，用K均值把所有参数聚成2n个类。
之后，保持同一聚类内参数相等，对网络进行调优。在梯度下降时，归于同一类的节点的梯度相加，施加到该类的聚类中心上。
最后，使用n比特编码的聚类中心替代原有参数。

Deep Compression论文：卷积层，n=8； fc层，n=4。SqueezeNet中全部为卷积层，n=6。

问题：同类节点的梯度为什么相加？不是应该求平均吗？

编码(Huffman Encoding)

现在需要存储的主要数据有二：编码为n位的非零数据取值；编码为4位的非零元素下标。
这两者的分布都不均匀，可以使用Huffman编码进一步压缩存储。源码中没有实现。

模型存储结构

压缩后的二进制模型按层存储，当前层有nz个非零元素，分为如下4个部分：

name type size note codebook float32 2^n 码书 bias float32 输出通道数 无压缩 spm_stream uint8 nz−18/n+1 非零元素取值，n位编码$ ind_stream uint8 nz−18/4+1 非零元素下标，4位编码$

经过Deep Compression压缩，模型进一步缩小了10倍，仍然保持原有精度。

architecture model size top-1 accuracy top-5 accuracy AlexNet 240MB 57.2% 80.3% SqueezeNet 4.8MB 57.5% 80.3% SqueezeNet+DeepCompression 0.66MB 57.5% 80.3%

设计思路

本文还花费较大篇幅介绍了设计网络时的心得体会，颇具启发性。

参数组合

每层fire模块的三个参数如果单独设计，需要尝试的组合太多。需要使用超参数进行规划：
- 首个fire模块中包含base个3×3核；每隔freq个fire模块，3×3模块增加incre个。
- expand部分中，3×3核占expand中核总数比例为pct。
- squeeze中核数与expand中核数比例为sr。

sr和pct增大可以提升准确率，但模型尺寸增大。本文取sr=0.125，pct=0.5。

大尺度结构

在通道数相同的层之间，添加旁路相加结构可以明显提升准确性（源码未实现）。

带有卷积的旁路结构可以在任意层之间添加，准确性提升较小，模型增大。

压缩：有的放矢

问：如何确定哪些层不重要？
答：逐个将每一层50%参数置零，查看模型性能。对性能影响不大的层，不重要。

问：不重要的怎么办？
答：Deep Compression中使用较少比特数表达。

问：重要的层呢？
答：增加expand部分中的输出通道数，进一步提升准确率。

SDS训练法

本文还有一个神奇的发现：使用裁剪之后的模型为初始值，再次进行训练调优所有参数，正确率能够提升4.3%。
稀疏相当于一种正则化，有机会把解从局部极小中解放出来。这种方法称为DSD(dense->sparse->dense)。

---

1. A. Krizhevsky, I. Sutskever, and G. E. Hinton. Imagenet classification with deep convolutional neural networks. In NIPS, 2012. ↩
2. Iandola, Forrest N., et al. “SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 1MB model size.” arXiv preprint arXiv:1602.07360 (2016). ↩