Ghost Module/GhostNet：一种模型压缩的轻量级模块/网络(论文阅读)（1）_ghostmodule

温馨提示：（1）讲Ghost模块 （2）讲GhostNet，文章过于话多，快速理解内容只需看图

（2）GhostNet网络架构请看博客下篇

Ghost Module是一种模型压缩的方法，即在保证网络精度的同时减少网络参数和计算量，从而提升计算速度（speed），降低延时（latency）。Ghost 模块可以代替现有卷积网络中的每一个卷积层。基于Ghost模块，论文作者堆叠Ghost模块构建了GhostNet。

 

Ghost Module

模型提出的缘由：卷积输出的一组特征图在通道方向上，有部分通道内容相似。

比如下图是对Resnet-50某层输出的可视化，每张图代表一个通道，图中三组颜色相连的图非常相似。论文将一组中的一张图称为本征图（intrinsic），其他和本征图相似的图称为本征图的魅影（ghost）。那么，既然ghost和Intrinsic非常相似，我们是否可以通过一种相对简单的、计算量较少的运算代替运算量大的卷积操作生成ghost图？ghost模块就是基于这种想法，提出用简单的线性运算生成ghost，但总共的通道数（# intrinsic+ghost）以及生成特征图的大小和原来保持一致。

Ghost模块：生成ghost图的过程采用简单的线性运算Φ，代替原本的卷积操作。如下图所示，假设原始卷积操作中输入Input与n组k x k的Kernel卷积后生成通道数为n，尺寸为h’ x w’大小的输出。在ghost模型中，我们用m组k x k的Kernel与input进行卷积，生成m x h’ x w’的本征图intrinsic，之后本征图进行线性变换Φ产生ghost图，将intrinsic和ghost一起作为输出。

线性变换Φ究竟是什么函数？原理上可以是仿射变化函数，小波变换等。但考虑到统一计算形式有利于硬件部署，现在的硬件架构有许多针对卷积的优化计算，论文中的Φ是depthwise conv。

m层intrinsic进行线性变化，每层的Φ是否相同，具体到depth wise conv运算就是指kernel的尺寸是否都相同？原理上，如下图所示，可以每层用不同的Φ1，Φ2……，但是，计算越不规整统一，硬件执行的效率越低。由此在论文中，Φ其实是相同的。具体到depthwise conv kernel的尺寸多少合适，这个超参数的值是做实验选出来的。

下图中可以看到，需要生成s-1组ghost图，使得ghost模块的输出和原始卷积输出的大小相同。S（或者说m）多少合适呢？这也是做实验选出来的。

 

模型压缩量定量计算

下面计算用一个ghost模块取代原始的一层卷积操作带来多少计算量、参数量上的优势。

加速比（rs：speed up ratio）：这里用计算量来近似代替速度。

压缩比（compression ratio）：

ghost模块效率验证

ghost模块可以替代现有神经网络架构中的卷积层。（区别于作者提出的GhostNet，前者以Ghost模块代替原有网络中卷积操作命名为ghost-xxnet，比如ghost-Resnet-50。而GhostNet是作者提出的一种网络架构）从下图的实验结果看来，相比于其他模型压缩方法，ghost 有出色表现。

特别说明：禁止转载，欢迎交流学习！