时隔两年，EfficientNet v2来了！更快，更小，更强！

作者丨happy
审稿丨邓富城
编辑丨极市平台

极市导读

谷歌在EfficientNet的基础上，引入了Fused-MBConv到搜索空间中；同时为渐进式学习引入了自适应正则强度调整机制，组合得到了EfficientNetV2，它在多个基准数据集上取得了SOTA性能，且训练速度更快。 >>加入极市CV技术交流群，走在计算机视觉的最前沿

paper: https://arxiv.org/abs/2104.00298

code: https://github.com/google/automl/efficientnetv2

本文是谷歌的MingxingTan与Quov V.Le对EfficientNet的一次升级，旨在保持参数量高效利用的同时尽可能提升训练速度。在EfficientNet的基础上，引入了Fused-MBConv到搜索空间中；同时为渐进式学习引入了自适应正则强度调整机制。两种改进的组合得到了本文的EfficientNetV2，它在多个基准数据集上取得了SOTA性能，且训练速度更快。比如EfficientNetV2取得了87.3%的top1精度且训练速度快5-11倍。

Abstract

本文提出一种训练速度更快、参数量更少的卷积神经网络EfficientNetV2。我们采用了训练感知NAS与缩放技术对训练速度与参数量进行联合优化，NAS的搜索空间采用了新的op(比如Fused-MBConv)进行扩充。实验表明：相比其他SOTA方案，所提EfficientNetV2收敛速度更快，模型更小(6.8x)。

在训练过程中，我们可以通过逐步提升图像大小得到加速，但通常会造成性能掉点。为补偿该性能损失，我们提出了一种改进版的渐进学习方式，它自适应的根据图像大小调整正则化因子，比如dropout、数据增广。

受益于渐进学习方式，所提EfficientNetV2在CIFAR/Cars/Flowers数据集上显著优于其他模型；通过在ImageNet21K数据集上预训练，所提模型在ImageNet上达到了87.3%的top1精度，以2.0%精度优于ViT，且训练速度更快(5x-11x)。

上图给出了所提方法与其他SOTA方案在训练速度、参数量以及精度方面的对比。本文的主要贡献包含以下几点：

  • 提出一类更小、更快的卷积神经网络EfficientNetV2。受益于训练感知NAS与缩放，EfficientNetV2在训练速度与参数量方面显著优于其他方案；
  • 提出一种改进版渐进学习策略，它可以自适应的随图像大小而调整正则化因子。它可以在加速训练的同时提升精度；
  • 所提方案在ImageNet、CIFAR、Cars、Flowers等数据集上取得了11x更快的训练速度，6.8x更少的参数量。

Method

在正式介绍EfficientNetV2之前，我们先简单看一下EfficientNet；然后引出训练感知NAS与缩放，以及所提EfficientNetV2.

Review of EfficientNet

EfficientNet是2019年的一篇文章，它针对FLOPs与参数量采用NAS搜索得到EfficientNet-B0，然后通过复合尺度缩放得到了更大版本的模型，比如EfficientNetB1-B7。

上表给出了EfficientNet与其他方法在精度、参数量以及Flops方面的对比。本文旨在提升模型的训练速度同时保持参数的高效性。

Understanding Training Efficiency

我们对EfficientNetV1的模块进行了研究并得到了集中简单的训练加速技术。

  • Training with very large image sizes is slow。已有研究表明：EfficientNet的大图像尺寸会导致显著的内存占用。由于GPU/TPU的总内存是固定的，我们不得不采用更小的batch训练这些模型，这无疑会降低训练速度。一种简单的改进方式是采用FixRes，即采用更小的图像尺寸进行训练。如下表所示：采用更小的图像块会导致更小的计算量、更大的batch，可以加速训练(2.2x)；与此同时，更小的图像块训练还会导致稍高的精度。在后续章节中，我们会提出一种更先进的训练方法：通过渐进式调整图像尺寸和正则化因子达到训练加速的目的。
  • Depthwise convolutios are slow in early layers。EfficientNet的核心模块采用了depthwise卷积，它具有更少的参数量和计算量(但往往无法充分利用现有加速器)。近来，提出的Fused-MBConv可以更充分的利用手机/服务端的加速器。它采用常规卷积替换了MBConv中的深度卷积与 卷积，见下图。

为系统的比较这两个模块，我们基于EfficientNet-B4，采用Fused-MBConv替换原始的MBConv，性能对比见下表。可以看到：(1) 在stage1-3阶段替换时，Fused-MBConv可以加速训练并带来少量的参数量与FLOPs提升；(2) 如果stage1-7全部替换，它会带来大量的参数量与FLOPs提升且降低训练速度。也就是说：MBConv与Fused-MBConv的正确组合并不容易直接确定，因此我们采用NAS搜索最佳组合。

  • Equally scaling up every stage is sub-optimal。EfficientNet采用复合测试对所有stage均衡缩放。比如当depth系数为2时，网络的所有阶段的层数加倍。然而，不同阶段在训练速度与参数量方面并非均等贡献。我们将采用非均匀缩放策略对后面的stage添加更多的层。此外，针对EfficientNet的采用大尺寸图像导致大计算量、训练速度降低问题，我们对缩放规则进行了轻微调整并约束最大图像尺寸到稍小值。

Training-Aware NAS and Scaling

至此，我们得到了多种加速训练的设计方案。为更好的组合这些方案，我们提出了一种训练感知NAS。

  • NAS Search。我们这里采用的NAS框架主要是基于EfficientNet与MnasNet，但对参数量与训练高效性同时进行优化。具体来说，我们采用EfficientNet作为骨干网络，搜索空间为类似EfficientNet的基于stage的空间，它包含MBConv、Fused-MBConv等卷积操作，层数、核尺寸、扩展比例；另一方面，我们通过这两种策略降低搜索空间：(1)移除不避免的搜索选项，比如pooling算子；(2) 复用EfficientNet中的通道数信息。由于搜索空间更小，我们可以采用简单的随机搜索进行更大网络的搜索(比如大小类似EfficientNet-B4)。具体来说，我们采样1000个模型，每个模型训练10个epoch。搜索奖励包含模型精度A、归一化训练时长S、参数量P，并通过加权方式组合 。
  • EfficientNetV2 Architecture。上表给出了所搜索到的EfficientNetV2-S的架构信息。相比EfficientNet，它有这样几个不同：
    • EfficientNetV2大量利用了MBConv与Fused-MBConv(主要在网络早期)；
    • EfficientNetV2使用了更小的扩展比例，导致了更少的内存占用；
    • EfficientNetV2倾向于选择更小的卷积核，用更多的层补偿感受野的减小；
    • EfficientNetV2移除了EfficientNet中最后的stride-1 stage。
  • EfficientNet Scaling。我们在EfficientNetV2-S的基础上采用类似EfficientNet的复合缩放(并添加几个额外的优化)得到EfficientNetV2-M/L。额外的优化描述如下：
    • 限制最大推理图像尺寸为480；
    • 在网络的后期添加更多的层提升模型容量且不引入过多耗时，可见上表中的stage5与stage6.
  • Training Speed Comparsion。上表给出了不同网络的训练速度对比(所有摩西那个采用相同的图像大小)。我们发现：(1) 当训练合理时，EfficientNet仍可以得到非常好的性能均衡；(2) 相比其他方法，EfficientNetV2训练速度更快。

Progressive Learning

正如前面所提到：图像尺寸对于训练速度影响很大。除了FixRes外，还有其他方法在训练过程中动态改变图像尺寸，但通常造成了精度下降。

我们认为：上述精度下降主要源自不平衡的正则化因子，也就是说：当采用不同的图像尺寸训练时，我们应当同时调整正则化强度。事实上，大的模型需要更强的正则化以避免过拟合，比如EfficientNet-B7采用了更大的dropout核更强的数据增广。在这里，我们认为：对于相同模型，

  • 小的图像尺寸会导致更小的模型容量，因此需要弱化版正则因子；
  • 大的图像尺寸导致更多的计算量和模型容量，需要更强的正则因子以避免过拟合。

为验证上述假设，我们采用不同图像尺寸、数据增强训练了一个模型，结果见上表。这里得出的实验结论与上述假设基本一致。这就促使我们：在训练过程中，伴随图像尺寸改变自适应调整正则化因子，此即为我们所提出的改进版渐进式学习方案。

上图给出了本文所提学习方案示意图，在训练早期，我们采用较小尺寸图像+弱化正则训练，此时模型可以快速学习简单表达能力；然后，我们逐渐提升图像尺寸并添加更强的正则因子。下图给出了该渐进式学习方案的步骤说明。

我们这里所提出的渐进式学习与现有正则因子具有兼容性，为简单起见，我们主要研究了以下三种正则：Dropout、RandAugment以及Mixup。

Experiments

在训练过程中，我们将整个训练划分为四个阶段，每个阶段约87epoch：在训练的早期采用小图像块+弱化正则；在训练的后期采用更大的图像块核增强的正则，上表给出了不同模型的最大、最小图像尺寸以及正则强度。

上表给出了所提方法与其他方案在精度、参数量、FLOPs以及耗时方面的对比。从中可以看到：

  • 相比其他方法，所提EfficientNetV2训练速度更快、精度更高、参数量更少。
  • 相比EfficientNet-B7，EfficientNetV2精度相当，但训练速度快11倍。
  • 相比RegNet和ResNeSt，EfficientNetV2精度更高、推理速度更快。
  • 相比ViT，EfficientNetV2以85.7%的精度超越了ViT-L/16(21k)。
  • 在推理速度方面，相比EfficientNet，EfficientNetV2精度更高、速度更快；相比ResNeSt，EfficientNetV2-M精度高0.6%，速度快2.8倍。
  • 缩放数据尺寸要比简单的缩放模型大小更有效：当top1精度超过85%后，很难通过加单的提升模型大小提升精度；然而，ImageNet21K预训练可以显著提升模型精度。

上表对所提方法的迁移学习能力进行了对比。可以看到：相比其他卷积网络与Transformer方案，本文所提方法的泛化性能更加。

最后，我们还自适应正则的影响性进行分析，结果见上图。可以看到：(1) 自适应正则可以提升模型精度达0.7%；(2) 小尺度图像上添加弱化正则可以加速模型收敛。

全文到此结束，更多消融实验与分析建议各位同学查看原文。

赞 (0)

相关推荐