如何评价何恺明团队最新推出的RegNet？

 本文作者为 Bbuf 雷锋网AI科技评论按：最近何恺明团队在arXiv 上公布了他们发表在CVPR 2020 上的最新论文《Designing Network Design Spaces》[1]。和何恺明之前发表的大多数论文一样，一经公布，迅速得到众人的关注。知乎上迅速有人提出问题：“如何评价何恺明团队最新推出的RegNet？”[2] 但需要强调的是，这篇文章的主角是 Ilija Radosavovic，一位伦敦大学的助教；其主要研究兴趣是搜索空间的优化，这篇文章是其系列工作的第二篇。第一篇为《On Network Design Spaces for Visual Recognition》[3]。  针对最新的这项工作，来自厦门大学知乎名为「丶favor」的硕士生在其知乎解读文章[4]中写道： > 一句话概括就是，传统 NAS 方法这种基于个体估计(individual network instance)的方式（每次评估的时候采样一个网络）存在以下缺陷：1）非常不灵活(各种调参大法) ；2）泛化能力差；3）可解释性差。(搜出来的效果虽好，但是很多都是大力出奇迹，运气成分+1)。 因此，作者顺理成章地提出了对网络设计空间进行整体估计(population estimation，意思就是所有的深度宽度之类的最佳设计空间关系给它估计出来)。非常直观地，如果我们能得到深度(depth)，宽度(width)等等一系列网络设计要素关于网络设计目标的函数关系，那么我们就很轻松地知道大概多深的网络，多宽的网络是最佳选择。 这也就直接解决了上述三个问题，并且这个方式实际上能反应出更优质的网络设计准则，从而达到Designing Network Design Spaces的目的。 读到这里，牛逼就完事了！一句话概括就是，传统 NAS 方法这种基于个体估计(individual network instance)的方式（每次评估的时候采样一个网络）存在以下缺陷：1）非常不灵活(各种调参大法) ；2）泛化能力差；3）可解释性差。(搜出来的效果虽好，但是很多都是大力出奇迹，运气成分+1)。 因此，作者顺理成章地提出了对网络设计空间进行整体估计(population estimation，意思就是所有的深度宽度之类的最佳设计空间关系给它估计出来)。非常直观地，如果我们能得到深度(depth)，宽度(width)等等一系列网络设计要素关于网络设计目标的函数关系，那么我们就很轻松地知道大概多深的网络，多宽的网络是最佳选择。 这也就直接解决了上述三个问题，并且这个方式实际上能反应出更优质的网络设计准则，从而达到Designing Network Design Spaces的目的。 读到这里，牛逼就完事了！  论文链接：https://arxiv.org/pdf/2003.13678.pdf 首先雷锋网AI科技评论认为，这篇论文有望成为今年最热的CV方面的工作。读过EfficientNet的同学应该知道网络的分辨率、深度、宽度对网络的性能影响是相互作用的，并且探索了在一定计算代价下如何搜索最优模型。本文和传统的网络设计切入点不同，作者并不专注于设计单个网络实例，而是设计”网络设计空间“对整个网络进行参数化。**整个过程类似于经典的网络手工设计，但是却将其提升到了设计空间的层次。** 基于此，本文提出了RegNet。在相同的训练设计和FLOPs的条件下，RegNet的精度超越了当前最SOTA的EfficientNet，并且在GPU上的速度比EfficientNet快5倍。 # 1. 设计空间设计 我们先谈谈其总体思路。这篇文章事实上依赖于Radosavovic在第一篇文章中引入的网络设计空间概念[3]。即设计空间是一个巨大的，可能无限的模型结构的总体。[3]的核心观点是，我们可以从一个设计空间中对模型进行抽样，产生一个模型分布，然后利用经典的统计工具来分析设计空间。本文注意到，这和架构搜索（NAS）不同，架构搜索的目标是从空间中找到单个最佳模型。 如Figure1所示，本文使用的整体策略是渐进式地设计原始的、相对不受约束的简化版设计空间，同时保持或者提升设计空间的质量。每个设计步骤的目的都是发现设计准则，从而产生更简单或性能更强的模型。  ## 1.1 设计空间设计工具 先来看一下设计空间设计的工具，为了评估和对比设计空间，这里使用Radosavovic等人介绍的工具。他提出通过从设计空间采样一组模型，并描述由此产生的模型误差分布，来量化设计空间的质量。这种方法背后的关键是，与使用搜索和比较两个设计空间中的最佳模型相比，比较分布更加可靠且信息更丰富。 下面的Figure2展示了用$n=500$个抽样模型计算的**AnyNetX**设计空间的统计结果。左：误差经验分布函数（EDF）是我们可视化设计空间质量的基本工具。在图例中，[39.0|49.0] 分别是最小误差和平均误差（对应于曲线下的区域）。中间：网络深度d（块数）与误差的分布。右：第四阶段（w_4）的块宽度分布与误差。蓝色阴影区域包含 95% F 置信度的最佳模型（通过经验引导获得），黑色垂线是最可能的最优值。  为了得到模型的分布，本文从设计空间中采样了 n 个模型进行训练。为了提高效率，这里主要在低计算量和低epoch的训练模式下进行。特别地，在本节中使用的是4 Million FLOPs（400MF）模式，并对每个采样的模型在ImageNet数据集上训练 10 个Epoch。注意到，这里虽然训练了很多模型，但每次训练都很快：在 400 MF上给 100 个模型训练 10 个epoch和在 4 GF下把单个ResNet-50模型训练 100 个epoch的时间相当。注意，这里的FLOPs表示的是乘法和加法次数，MF和GF分别代表 10^6 和 10^9个FLOPs。 和[3]一样，这里分析设计空间质量的主要工具是误差经验分布函数(EDF)。n 个模型的误差EDF和误差 e_I 由下面的公式给出：  F(e)表示错误率小于 e 的模型百分比。上面的方法总结如下： - (1) 我们首先从设计空间中抽样和训练 n 个模型，获得模型的分布。 - (2) 我们计算并绘制误差EDFs，以评估设计空间质量。 - (3) 我们可视化设计空间的各种属性，并使用经验准则监督。 - (4) 我们使用这些观察结果来精细化设计空间。 ## 1.2 AnyNet 设计空间 AnyNet设计空间的基本网络设计如Figure3所示。  给定输入图像，接下来是一个包含简单主干的网络，再接下来是执行大量计算的网络主体，最后是预测输出类别的网络头。本文保持主干和头部网络尽可能简单，主要关注网络网络主体的结构。可以看到这里网络主体由4个阶段(stage)组成，并且分辨率逐渐降低，然后每个stage里面又是由一系列相同的块(block)组成。在这个结构里面，可以改变的参数包括块的数量$d_i$，块的宽度$w_i$等。这里就完整展示了AnyNet的结构。 然而，我们看到论文的研究几乎都是在AnyNetX上的结果。那么AnyNetX和AnyNet又有什么区别呢？我们来看看Figure4，可以发现区别就是将原始的卷积换成分组卷积。  在AnyNetX上，作者旨在：1）简化设计空间的结构；2）提供设计空间的可解释性；3）保持或提高设计空间的质量；4）保持设计空间中模型的多样性。 现在利用上节介绍的工具来进行研究，这里将原始的不受约束的AnyNetX设计空间叫作$AnyNetX_A$。 然后论文将$AnyNetX_A$中所有阶段的BottleNeck比例$b_i$都设置为同一个值$b$，并将此设计空间称为$AnyNetX_B$。 我们可以从Figure5左边那张图看到这两个网络设计空间的EDF基本上是一致的，这表示在耦合$b_i$时并没有带来精度损失。 然后在$AnyNetX_B$的基础上将所有阶段使用一样的$g_i=g$来获得了$AnyNetX_C$，从Figure5中间那张图可以看出，EDF也基本不变。  接着，论文研究了$AnyNetX_C$中优秀和不好的典型网络结构，然后他们发现了一个规则：**表现良好的网络具有不断增长的宽度。** 论文接着测试了$w_{i+1}\ge w_i$的设计原则，并将此约束下的设计空间称为 $AnyNetX_D$。在Figure 6（左）中可以看到这极大地改进了EDF。另外，再进一步测试多个模型后，作者发先除了阶段宽度$w_i$随着$i$增加，对于优秀的模型，阶段深度$d_i$也同样趋于增加，虽然不一定是在最后阶段。  在Figure6的右图中，我们发现当设置 $d_{i+1}\ge d_i$时，EDF同样得到了较大改善。最后注意到对于$w_i$和$d_i$的约束使得设计空间减少了$4!$，和$AnyNetX_A$ 相比累计减少了$O(10^7)$。 ## 2.3 RegNet设计空间 从AnyNetX的结果来看，是体现出了一些规律的，通过获得的几组变量和每个Blcok的下标之间的关系，可以拟合出一个函数关系。这样就可以建模好每个Stage的Block应该多深以及多宽的关系，这个建模的方法被论文叫作**quantized linear**。这一方法可以用公式(2)来表示：  其中，$w_0$表示初始化宽度，$w_a$表示斜率，$d$表示网络深度。另外，为了量化$u_j$这里又引入了两组公式和新的超参数$w_m$用于计算$s_j$，这一过程可以用公式(3)和(4)来表示：   然后，我们就可以计算出每个Stage的宽度是：$w_i=w_0*w_m^i$以及Block的数量：  自此，网络设计空间就被$w_0,w_a,w_m$这三组参数表示出来，所以对这三组参数进行搜索就获得了论文中展示的超越EfficientNet的惊艳结果了。其它的细节就不展开介绍了，感兴趣可以看原论文。 # 2. 实验 下面的Table2展示了RegNet和现有的SOTA移动端模型的性能对比，可以看到REGNET是非常有效的。  下面的Table4展示了论文将RegNet和SOTA EfficientNet 模型的对比结果，结果显示在相似的训练设置和FLOPs下，RegNet优于EfficientNet模型，并且 GPU 上的速度提升5倍。  # 3. 结论 这篇论文提出了一种新的网络设计范式，和以往研究不同的是他们没有专注于设计单个网络实例，而是设计出了参数化网络群的网络设计空间。这种新的网络设计范式结合了神经框架搜索(NAS)和手工设计网络的优点，精度和速度全面超越了EfficientNet，成为了目前最值得关注的一项CV方向的工作。 参考资料： [1] I. Radosavovic, Raj Prateek Kosaraju, Ross Girshick, Kaiming He, Piotr Dolla ́r, Designing Network Design Spaces. CVPR 2020. [2] 如何评价何恺明团队最新推出的 RegNet？https://www.zhihu.com/question/384255803 [3] I. Radosavovic, J. Johnson, S. Xie, W.-Y. Lo, and P. Doll ́ar.On network design spaces for visual recognition. InICCV,2019. [4] 《Designing Network Design Spaces》的整体解读（一篇更比六篇强）, https://zhuanlan.zhihu.com/p/122557226 雷锋网报道