轻量级网络：分组卷积&深度可分离卷积

本文简介轻量级网络中两种经典压缩方法：分组卷积（Group Convolution） 和 深度可分离卷积（depthwise separable convolution）

参考文献：

• 简短：zjc师兄的小短文
• 详细：R.JD的MobileNet分析

0. 卷积

对于普通卷积而言，卷积层的filters决定了参数量，其中

• 尺寸（h1,w1）与 input / output 的（H,W）有关
• 通道数c1与 input 的通道数相同
• 数量c2与 output 的通道数相同

从而，普通卷积层的参数量为：$P1 = h1×w1×C1×C2 = k^2C1C2$P1=h1×w1×C1×C2=k2C1C2

1. 分组卷积（Group Conv）

分组卷积的概念最先来源于AlexNet，其基本原理如下图。

当时是由于GTX580仅有3GB的memory，因此AlexNet在两块GPU上运行，才能满足其大参数量的需求

• 将input/output按channels分成g组，每组维度即为（H1，W1，C1/g）和（H2，W2，C2/g）
• 从而filters也为g组，每组C2/g个维度为（h1，w1，C1/g）的filters

其实就相当于将原来的卷积层拆分成了g个并行卷积层，其实我们的filters数量没有变化，只是每一个filter仅负责C1/g个通道信息了，从而参数量变为：$P2 = P1/g$P2=P1/g

2. 深度可分离卷积（Depthwise Seperable Conv）

在MobileNet中，将深度可分离卷积描述为两个步骤： 深度卷积（Depthwise Conv）和逐点卷积（Pointwise Conv）

• 深度卷积，其实是上文中分组卷积的一个特例，令C2=C1，g=C1，分组卷积便变成了深度卷积。说白了，深度卷积就是对input的每一个通道单独做卷积，使（H1,W1, C1）→（H2,W2, C1）
• 逐点卷积，其实就是普通卷积的一个特例，只是卷积核尺寸为1×1而已；说白了就是用1×1 filters做一次通道调整，使（H2,W2,C1）→（H2,W2,C2)

参数量计算：

• 深度卷积参数量：h1×w1×1×C1
• 驻点卷积参数量：1×1×C1×C2

因此，$P3=k^2C1+C1C2=(1/C2+1/k^2)P1$P3=k2C1+C1C2=(1/C2+1/k2)P1
（若C2相对于k而言较大，那么$P3≈P1/k^2$P3≈P1/k2）

下图取自MobileNet-v1

3. 总结

• 分组卷积：压缩效果 $\propto$∝ g
• 深度可分离卷积：压碎效果 $\propto$∝ $k^2$k2
• 深度可分离卷积相当于分组卷积和普通卷积的结合，前者负责二维卷积，后者负责通道调整
• 1×1 filter的使用应该可以追溯到NIN(2013)，后来众多网络（包括GoogleNet和ResNet）将这种设计用到网络设计中（比如压缩参数量）
• MoblieNet从V1到V3，对结构有所调整，具体请参见相关论文