1 背景简介

  提出 MobileNetV1 后，谷歌团队又于次年（2018 年）提出 MobileNetV2 网络。相较于 MobileNetV1， MobileNetV2 准确率更高，模型更小。关于 MobileNetV1 可参考本人先前博客（深度可分离卷积解析 - MobileNetV1），此处给出 MobileNetV2 论文相关信息：

论文：《MobileNetV2: Inverted Residuals and Linear Bottlenecks》
作者：Mark Sandler et al.
年份：2018

论文标题直接点明 MobileNetV2 网络的两大亮点：Inverted Residuals（倒残差结构）和 Linear Bottlenecks（线性瓶颈结构）。本文也将围绕这两大亮点展开讲解。

2 MobileNetV2 要点

Fig.1 残差结构	Fig.2 倒残差结构 (with shortcut)	Fig.3 倒残差结构 (no shortcut)

  为便于理解，对倒残差与残差进行对照讲解。上方给出的结构图分别是残差、跳跃连接的残差和非跳跃连接的残差。

2.1 Inverted Residuals（倒残差结构）

  对于倒残差结构的理解，第一个要点在于对通道数变化（维度变化）的理解。在残差结构中，先使用 1x1 卷积实现降维，再通过 3x3 卷积提取特征，最后使用 1×1 卷积实现升维。这是一个两头大、中间小的沙漏型结构。但在倒残差结构中，先使用 1x1 卷积实现升维，再通过 3x3 的 DW 卷积（逐通道卷积）提取特征，最后使用 1×1 卷积实现降维。调换了降维和升维的顺序，并将 3×3 的标准卷积换为 DW 卷积，呈两头小、中间大的梭型结构。二者比较参见下图：

  第二个要点在于卷积操作的变化。在倒残差结构中，用 DW 卷积将标准卷积替换。至于原因，自然是因为 DW 卷积是 MobileNet 网络的灵魂。

  第三个要点在于所用激活函数的变化。残差结构中统一采用 ReLU 激活函数，而在倒残差结构中，前两个所用的为 ReLU6 激活函数，最后一个卷积使用的是线性激活函数。用 ReLU6 替换 ReLU，目的是为了保证在移动端低精度的 float16 时也能保有很好的数值分辨率。如果对 ReLU 的输出值不加限制，那么输出范围就是 0 到正无穷，而低精度的 float16 无法精确描述其数值，这将带来精度损失。最后一个卷积使用线性激活，则是线性瓶颈结构的内容，将在后文展开详细讲解。至于 ReLU6 和 ReLU 的异同，则可参见下图，直观明了，无需赘言。

  比较倒残差结构和残差结构：

• 残差模块
  (1) 整个过程为 “压缩 - 卷积 - 扩张”，呈沙漏型；
  (2) 卷积操作为：卷积降维 (1×1) - 标准卷积提取特征 (3×3) - 卷积升维 (1×1)；
  (3) 统一使用 ReLU 激活函数；
• 倒残差模块
  (1) 整个过程为 “扩展- 卷积 - 压缩”，呈梭型；
  (2) 卷积操作为：卷积升维 (1×1) - DW卷积提取特征 (3×3) - 卷积降维 (1×1)；
  (3) 使用 ReLU6 激活函数和线性激活函数。

  此外，还有关于倒残差中第一个升维卷积操作的说明。该层在论文中又被称为扩展层 (expansion layer)，目的是扩充通道数，扩充的倍数则由扩展因子控制 (论文中 factor=6)，整个过程如下图所示。扩充通道的原因，是为了能够提取到更多的信息。DW 卷积无法改变通道数，所以先扩充通道数，在高维空间上进行 DW 卷积提取更多信息。

  最后是有关跳跃连接 (shortcut) 的说明。shortcut 的作用是加总不同方式获取的特征图。当 stride=2 时，input 和 output 的的尺寸不一致，无法使用 shortcut。但 stride 参数并不直接控制跳跃连接，而是通过影响输出特征图的尺寸间接决定 shortcut 的使用。

2.2 Linear Bottlenecks（线性瓶颈结构）

  瓶颈结构是指将高维空间映射到低维空间，缩减通道数；Expansion layer 则相反，其将低维空间映射到高维空间，增加通道数。沙漏型结构和梭型结构，都可看做是一个 Expansion layer 和一个 Bottleneck layer 的组合。Bottleneck layer 和 Expansion layer 本质上体现的都是1x1 卷积的妙用。至于线性瓶颈结构，就是末层卷积使用线性激活的瓶颈结构（将 ReLU 函数替换为线性函数）。
  那么为什么要用线性函数替换 ReLU 呢？有人发现，在使用 MobileNetV1时，DW 部分的卷积核容易失效，即卷积核内数值大部分为零。作者认为这是 ReLU 引起的，在变换过程中，需要将低维信息映射到高维空间，再经 ReLU 重新映射回低维空间。若输出的维度相对较高，则变换过程中信息损失较小；若输出的维度相对较低，则变换过程中信息损失很大，如下图所示：

因此，作者认为在输出维度较低是使用 ReLU 函数，很容易造成信息的丢失，故而选择在末层使用线性激活。

3 代码实现 - pytorch

# _*_coding:utf-8_*_
import torch
import torch.nn as nn


class InvertedResidualsBlock(nn.Module):
    def __init__(self, in_channels, out_channels, expansion, stride):
        super(InvertedResidualsBlock, self).__init__()
        channels = expansion * in_channels
        self.stride = stride

        self.basic_block = nn.Sequential(
            nn.Conv2d(in_channels, channels, kernel_size=1, stride=1, bias=False),
            nn.BatchNorm2d(channels),
            nn.ReLU6(inplace=True),
            nn.Conv2d(channels, channels, kernel_size=3, stride=stride, padding=1, groups=channels, bias=False),
            nn.BatchNorm2d(channels),
            nn.ReLU6(inplace=True),
            nn.Conv2d(channels, out_channels, kernel_size=1, stride=1, bias=False),
            nn.BatchNorm2d(out_channels)
        )
        # The shortcut operation does not affect the number of channels
        self.shortcut = nn.Sequential(
            nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=1, bias=False),
            nn.BatchNorm2d(out_channels)
        )

    def forward(self, x):
        out = self.basic_block(x)
        if self.stride == 1:
            print("With shortcut!")
            out = out + self.shortcut(x)
        else:
            print("No shortcut!")
        print(out.size())

        return out


if __name__ == "__main__":
    x = torch.randn(16, 3, 32, 32)
    # no shortcut
    net1 = InvertedResidualsBlock(3, 6, 6, 2)
    # with shortcut
    net2 = InvertedResidualsBlock(3, 6, 6, 1)
    y1, y2 = net1(x), net2(x)

【参考】

1. 深度学习之图像分类（十一）–MobileNetV2 网络结构；
2. 迈微精选 | 轻量化CNN网络MobileNet系列详解；
3. MobileNet系列；