深度学习论文: MobileNetV4 - Universal Models for the Mobile Ecosystem及其PyTorch实现
MobileNetV4 - Universal Models for the Mobile Ecosystem
PDF: https://arxiv.org/pdf/2404.10518.pdf
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks
1 概述
专为移动设备设计的高效架构MobileNetV4（MNv4）核心在于引入了通用倒置瓶颈（UIB）搜索块和Mobile MQA注意力块，前者融合了多种技术，后者针对移动加速器优化，可大幅提升速度。同时采用了优化的神经架构搜索（NAS）方案。这一系列创新使得MNv4模型在多种设备上实现帕累托最优。此外，还引入了一种新的知识蒸馏技术，提高了模型的准确性。最终，MNv4-Hybrid-Large模型在ImageNet-1K上达到87%的准确率，同时在Pixel 8 EdgeTPU上的运行时间极短。
2 Universal Inverted Bottlenecks
通用倒瓶颈（UIB）块，其设计简洁而高效，如图所展示，它在传统的倒瓶颈块中巧妙地融入了两个可选的深度卷积（DW）操作。这两个DW分别置于扩展层之前以及扩展层和投影层之间，它们的存在与否是通过神经网络架构搜索（NAS）优化过程精心确定的，从而生成出性能卓越的全新架构。
尽管这种改动看似简单，但UIB块却成功地将多个现有的关键组件融为一体，包括经典的IB块、前沿的ConvNext块以及ViT中的FFN块。这种融合不仅保留了各组件的优势，还通过互补效应进一步提升了整体性能。
更值得一提的是，UIB还引入了一种革新的变体——额外的深度卷积IB（ExtraDW）块。这一创新举措为UIB块注入了新的活力，使其在保持高效的同时，进一步提升了模型的表达能力。
在网络的每个阶段，UIB都展现了出色的灵活性，以达成以下三个关键目标：
- 即时实现空间和通道混合的权衡，优化模型的表达能力；
- 按需扩大感受野，提升模型对上下文信息的捕获能力；
- 最大化计算利用率，确保资源的高效利用。
3 Mobile MQA
专门为加速器优化的Mobile MQA注意力块，该块能够显著提升推理速度，达到超过39%的效率提升。
MQA
MQA通过共享键和值简化了多查询注意力机制。与MHSA相比，MQA在保持高质量的同时，实现了显著加速和参数减少。
Spatial Reduction Attention (SRA)
受到MQA非对称计算的启发，进一步将空间缩减注意力（SRA）融入优化后的MQA模块中，以降低键和值的分辨率，同时保持高分辨率的查询。此外使用步长为2的3x3深度卷积替代了AvgPooling，为模型容量的提升提供了一种高效且经济的方案。
通过引入非对称空间下采样，我们可以在保持极小精度损失（-0.06%）的同时，实现超过20%的效率提升。
Mobile MQA
其中 SR代表空间减少，即步长为2的深度卷积（DW），或者在未使用空间减少的情况下表示恒等函数。
4 Design of MNv4 Models
为了有效地实例化UIB块，作者采用了定制的TuNAS方法，该方法针对性能改进进行了优化。为克服TuNAS因参数共享而产生的偏见，作者实施了一个两阶段搜索策略。这一策略旨在解决UIB深度层与其他搜索选项之间参数数量差异的问题，确保搜索结果的公正性和有效性。
在搜索过程中，作者首先进行了粗粒度搜索，集中于确定最佳的滤波器大小，同时保持其他参数如扩展因子（设为默认值4）和深度可分核（使用3x3）不变。这一阶段的目的是快速筛选出可能的滤波器大小范围。
随后，基于粗粒度搜索的结果，作者进行了细粒度搜索。在这一阶段，作者进一步探索UIB的两个深度可分层的配置，包括它们的存在与否以及核大小（3x3或5x5）的选择。同时，扩展因子仍然保持为4，以控制变量并更精确地评估不同配置的性能。
通过这种两阶段的搜索策略，作者成功地确定了UIB块的最优配置，既考虑了性能又平衡了参数数量，为UIB的有效实例化提供了有力支持。
MNv4模型的架构细节：
5 Results
ImageNet classification
COCO Object Detection
