GhostNet: More Features from Cheap Operations

论文：GhostNet: More Features from Cheap Operations，CVPR 2020

代码：https://github.com/iamhankai/ghostnet.pytorch/

GhostNet是华为诺亚方舟实验室在CVPR2020提出，可以在同样精度下，速度和计算量均少于SOTA方法。当前神经网络偏向于移动设备应用，一些重于模型的压缩，比如剪枝、量化、知识蒸馏等。另一些着重于高效的网络设计，比如 MobileNet, ShuffleNet 等。

训练好的网络里的feature map存在大量的冗余信息，相追似的 feature map 类似于 ghost，如下图所示：

作者认为：并非所有 feature map 都需要用卷积操作来得到，“ghost” feature map可以用更加廉价的操作来生成，因此，作者就提出了 Ghost module。

Ghost module 如上图所示，可以看到，包括两次卷积。假设output的通道数为 \(init\_channels * ratio\)，那么第一次卷积生成 \(init\_channels\) 个 feature map。

第二次卷积：每个 feature map 通过映射生成 \(ratio-1\) 个新的 feature map，这样会生成 \(init_channels*(ratio-1)\) 个 feature map。最后，把第一次卷积和第二次卷积得到的 feature map 拼接在一起，得到output，通道数为\(init\_channels * ratio\)。

Ghost module 的代码如下所示，关键步骤我添加了备注说明：

class GhostModule(nn.Module):
    def __init__(self, inp, oup, kernel_size=1, ratio=2, dw_size=3, stride=1, relu=True):
        super(GhostModule, self).__init__()
        self.oup = oup
        init_channels = math.ceil(oup / ratio)
        new_channels = init_channels*(ratio-1)

        # 第一次卷积：得到通道数为init_channels，是输出的 1/ratio
        self.primary_conv = nn.Sequential(
            nn.Conv2d(inp, init_channels, kernel_size, stride, kernel_size//2, bias=False),
            nn.BatchNorm2d(init_channels),
            nn.ReLU(inplace=True) if relu else nn.Sequential())

       # 第二次卷积：注意有个参数groups，为分组卷积
       # 每个feature map被卷积成 raito-1 个新的 feature map
        self.cheap_operation = nn.Sequential(
            nn.Conv2d(init_channels, new_channels, dw_size, 1, dw_size//2, groups=init_channels, bias=False),
            nn.BatchNorm2d(new_channels),
            nn.ReLU(inplace=True) if relu else nn.Sequential(),
        )

    def forward(self, x):
        x1 = self.primary_conv(x)
        x2 = self.cheap_operation(x1)
        # 第一次卷积得到的 feature map，被作为 identity
        # 和第二次卷积的结果拼接在一起
        out = torch.cat([x1,x2], dim=1)
        return out[:,:self.oup,:,:]

最有趣的是模块里，第二次卷积，作者也考虑了仿射变换、小波变换等，因为卷积运算有较好的硬件支持，作者更推荐卷积。

Ghost Bottleneck(G-bneck)与residual block类似，主要由两个Ghost模块堆叠二次，第一个模块用于增加特征维度，增大的比例称为expansion ratio，而第二个模块则用于减少特征维度，使其与输入一致。G-bneck包含stride=1和stride=2版本，对于stride=2，shortcut路径使用下采样层，并在Ghost模块中间插入stride=2的depthwise卷积。为了加速，Ghost模块的原始卷积均采用pointwise卷积



在网络架构上，GhostNet 将 MobileNetV3 的 bottleneck block 替换为 Ghost bottleneck，部分 Ghost模块 加入了SE模块。

论文思路比较容易懂，今天就总结到这里。