點(diǎn)擊上方“視學(xué)算法”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

豐色 發(fā)自 凹非寺
量子位 報(bào)道 | 公眾號(hào) QbitAI

CNN經(jīng)典模型VGG自2014年誕生以來(lái)，由于相比于各種多分支架構(gòu)（如ResNet） 性能不佳，已漸“沒(méi)落”……

但來(lái)自清華大學(xué)和曠視科技等機(jī)構(gòu)的研究人員，他們居然只用3x3卷積和ReLU激活函數(shù)的超級(jí)簡(jiǎn)單架構(gòu)，通過(guò)結(jié)構(gòu)重參數(shù)化 （structural re-parameterization），就讓這個(gè)7年前的老架構(gòu)再次“容光煥發(fā)”！Great Again！

簡(jiǎn)單到什么程度？研究人員表示：

下午5點(diǎn)看完文章，晚飯前就能寫(xiě)完代碼開(kāi)始訓(xùn)練，第二天就能看到結(jié)果。如果沒(méi)時(shí)間看完這篇文章，只要點(diǎn)開(kāi)GitHub上的代碼，看完前100行就可以完全搞明白。

新架構(gòu)RepVGG結(jié)合了多分支架構(gòu)和單路架構(gòu)的優(yōu)點(diǎn)，在速度和性能上直達(dá)SOTA，在ImageNet上精度超過(guò)80%!

相關(guān)論文已被CVPR 2021接收，開(kāi)源預(yù)訓(xùn)練模型和代碼在GitHub上也已收獲1700+ 標(biāo)星！

兼顧多分支和單路架構(gòu)的優(yōu)點(diǎn)

一個(gè)已經(jīng)快要“沒(méi)落”的老模型，為什么還要重新?lián)炱鹄茫?/p>

研究人員介紹道，因?yàn)楹?jiǎn)單的VGG式模型（單路架構(gòu)、僅使用3x3卷積和ReLU激活函數(shù)）有五大現(xiàn)實(shí)優(yōu)勢(shì)：

1、3x3卷積非?？?。在GPU上，3x3卷積的計(jì)算密度（理論運(yùn)算量除以所用時(shí)間）可達(dá)1x1和5x5卷積的四倍。
2、單路架構(gòu)因?yàn)椴⑿卸雀咭卜浅？臁Ｍ瑯拥挠?jì)算量，“大而整”的運(yùn)算效率遠(yuǎn)超“小而碎”的運(yùn)算。
3、單路架構(gòu)省內(nèi)存。例如，ResNet的shortcut雖然不占計(jì)算量，卻增加了一倍的顯存占用。
4、單路架構(gòu)靈活性更好，容易改變各層的寬度（如剪枝）。
5、RepVGG主體部分只有一種算子：3x3卷積接ReLU。在設(shè)計(jì)專(zhuān)用芯片時(shí)，給定芯片尺寸或造價(jià)，我們可以集成海量的3x3卷積-ReLU計(jì)算單元來(lái)達(dá)到很高的效率。別忘了，單路架構(gòu)省內(nèi)存的特性也可以幫我們少做存儲(chǔ)單元。

由于多分支架構(gòu)性能更好，為了讓新架構(gòu)RepVGG兼顧兩者優(yōu)點(diǎn)，他們提出一個(gè)新的做法：先訓(xùn)練一個(gè)多分支模型，然后將多分支模型等價(jià)轉(zhuǎn)換為單路模型，最后部署這個(gè)單路模型。

具體來(lái)說(shuō)，首先借鑒ResNet的做法，在訓(xùn)練時(shí)為每一個(gè)3x3卷積層添加平行的1x1卷積分支和恒等映射分支，構(gòu)成一個(gè)RepVGG Block。

然后需將RepVGG Block轉(zhuǎn)換為一個(gè)卷積，也就是將訓(xùn)練好的模型等價(jià)轉(zhuǎn)換為只有3x3卷積的單路模型。

怎么轉(zhuǎn)換？結(jié)構(gòu)重參數(shù)化！

如上圖，利用卷積的相加性，需經(jīng)過(guò)兩次變換。

示例中，輸入輸出通道數(shù)都是2，那3x3卷積核所對(duì)應(yīng)的參數(shù)矩陣為2x2x3x3，也就是4個(gè)3x3矩陣，1x1卷積核對(duì)應(yīng)的參數(shù)矩陣為2x2x1x1，也就是4個(gè)1x1矩陣，為了畫(huà)圖方便換成1個(gè)2x2矩陣。

把1x1卷積等價(jià)轉(zhuǎn)換為3x3卷積，只要用0填充一下就行了。

而恒等映射是一個(gè)特殊（以單位矩陣為卷積核）的1x1卷積，因此也是一個(gè)特殊的3x3卷積。

以上三個(gè)分支都有BN（batch normalization）層，推理時(shí)的卷積層和其后的BN層可轉(zhuǎn)換為一個(gè)帶bias的卷積層。

最后，將三分支得到的卷積核和bias分別相加，完成等價(jià)轉(zhuǎn)換為只有3x3卷積的單路模型。

從這一轉(zhuǎn)換過(guò)程中，我們看到了“結(jié)構(gòu)重參數(shù)化”的實(shí)質(zhì)：訓(xùn)練時(shí)的結(jié)構(gòu)對(duì)應(yīng)一組參數(shù)，推理時(shí)我們想要的結(jié)構(gòu)對(duì)應(yīng)另一組參數(shù)；只要能把前者的參數(shù)等價(jià)轉(zhuǎn)換為后者，就可以將前者的結(jié)構(gòu)等價(jià)轉(zhuǎn)換為后者。

不少人都稱(chēng)贊這篇論文的思路非常有意思，簡(jiǎn)單易懂，讓人眼前一亮！

效果確實(shí)也非常不錯(cuò)——

速度和精度達(dá)SOTA

RepVGG這樣只用3x3卷積和ReLU激活函數(shù)的簡(jiǎn)單架構(gòu)，特別適用于GPU和特殊推理芯片（inference chips）。

研究人員在1080Ti上對(duì)RepVGG進(jìn)行了測(cè)試。在公平的訓(xùn)練設(shè)定下，同精度的RepVGG速度是ResNet-50的183%，ResNet-101的201%，EfficientNet的259%，RegNet的131%。

在Cityscapes上的語(yǔ)義分割實(shí)驗(yàn)表明，在速度更快的情況下，RepVGG模型比ResNet系列高約1%到1.7%的mIoU，或在mIoU高0.37%的情況下速度快62%。

通過(guò)結(jié)構(gòu)重參數(shù)化，RepVGG在ImageNet上達(dá)到了80.57%的top1精度，與最先進(jìn)的復(fù)雜模型相比，速度-精度都非常出色。

關(guān)于作者

論文一作：丁霄漢，清華大學(xué)計(jì)算機(jī)視覺(jué)博士生，研究方向是計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)。在CVPR、ICML、ICCV、NeurIPS作為第一作者發(fā)表論文5篇。曾獲得第七屆百度獎(jiǎng)學(xué)金榮譽(yù)——“十位頂尖 AI 學(xué)子”之一。

論文二作：張?jiān)斢?，曠視科技曠視研究院base model組負(fù)責(zé)人，西安交大博士生。曾在微軟亞洲研究院實(shí)習(xí)，是ResNet的主要作者之一。

論文三作：馬寧寧，香港科技大學(xué)與曠視聯(lián)合培養(yǎng)博士，主要研究方向?yàn)橛?jì)算機(jī)視覺(jué)和高性能卷積神經(jīng)網(wǎng)絡(luò)。

論文地址：https://arxiv.org/abs/2101.03697
GitHub地址：https://github.com/DingXiaoH/RepVGG

參考鏈接：

[1]https://www.reddit.com/r/MachineLearning/comments/nqflsp/rrepvgg_making_vggstyle_convnets_great_again/
[2]https://zhuanlan.zhihu.com/p/344324470

點(diǎn)個(gè)在看 paper不斷！