post/%E5%8F%AF%E5%88%86%E7%A6%BB%E5%8D%B7%E7%A7%AF/ about bobo-y.github.io HOT 4 CLOSED

增加: 对于Depthwise Convolution, 也就是group卷积, 即将输入feature map 与卷积核分组. 例子中是分为三组(分组的时候保证能整除), 然后对应的卷积核与特征图进行普通卷积, 也就是例子中的每个卷积核针对一个通道.

from bobo-y.github.io.

shufflenet 也是基于group 卷积的, 但多了channel shuffle, 这么做的原因在于, ShuffleNet的本质是将卷积运算限制在每个Group内, 因此模型的计算量取得了显著的下降. 然而导致模型的信息流限制在各个Group内, 组与组之间没有信息交换, 影响模型的表示能力. 因此引入组间信息交换的机制

from bobo-y.github.io.

group convolution层另一个问题是不同组之间的特征图需要通信，否则就好像分了几个互不相干的路，大家各走各的，会降低网络的特征提取能力，这也可以解释为什么Xception，MobileNet等网络采用密集的1x1 pointwise convolution，因为要保证group convolution之后不同组的特征图之间的信息交流。
为达到特征通信的目的，shufflenet的channel shuffle， 其含义就是对group convolution之后的特征图进行“重组”，这样可以保证接下了采用的group convolution其输入来自不同的组，因此信息可以在不同组之间流转。

其过程为reshape，转置，reshape，分组groups一般设置为2

def channel_shuffle(x, groups):
    # type: (torch.Tensor, int) -> torch.Tensor
    batchsize, num_channels, height, width = x.data.size()
    channels_per_group = num_channels // groups

    # reshape
    x = x.view(batchsize, groups,
               channels_per_group, height, width)

    x = torch.transpose(x, 1, 2).contiguous()

    # flatten
    x = x.view(batchsize, -1, height, width)

    return x

from bobo-y.github.io.

如数组 [[1, 2, 3],[4, 5, 6]], 行列转置后 [[1, 4],[2, 5],[3, 6]], 再reshape 为原形得到 [[1, 4, 2],[5, 3, 6]], 进行了特征的洗牌

from bobo-y.github.io.