Residual, BottleNeck, Linear BottleNeck, MBConv解释
磐创AI今天，我们将看到现代CNN架构中使用的不同模块，如ResNet、MobileNet、EfficientNet，以及它们在PyTorch中的实现。
让我们创建一个通用的conv－norm－act层
from functools import partial
from torch import nn
class ConvNormAct（nn．Sequential）：
def ＿＿init＿＿（
self，
in＿features： int，
out＿features： int，
kernel＿size： int，
norm： nn．Module ＝ nn．BatchNorm2d，
act： nn．Module ＝ nn．ReLU，
＊＊kwargs
）：
super（）．＿＿init＿＿（
nn．Conv2d（
in＿features，
out＿features，
kernel＿size＝kernel＿size，
padding＝kernel＿size ／／ 2，
），
norm（out＿features），
act（），
）
Conv1X1BnReLU ＝ partial（ConvNormAct， kernel＿size＝1）
Conv3X3BnReLU ＝ partial（ConvNormAct， kernel＿size＝3）
import torch
x ＝ torch．randn（（1， 32， 56， 56））
Conv1X1BnReLU（32， 64）（x）．shape
torch．Size（［1， 64， 56， 56］）
残差连接残差连接用于ResNet中，想法是将输入添加到输出中，输出＝层＋输入。下图可能会帮助你将其可视化。但是，我的意思是它只是一个＋运算符。残差操作提高了梯度传播的能力，允许有效地训练具有100层以上的网络。
在PyTorch中，我们可以轻松创建一个ResidualAdd层
from torch import nn
from torch import Tensor
class ResidualAdd（nn．Module）：
def ＿＿init＿＿（self， block： nn．Module）：
super（）．＿＿init＿＿（）
self．block ＝ block
def forward（self， x： Tensor） －＞ Tensor：
res ＝ x
x ＝ self．block（x）
x ＋＝ res
return x
ResidualAdd（
nn．Conv2d（32， 32， kernel＿size＝1）
）（x）．shape
shortcut
有时你的残差没有相同的输出维度，所以我们不能添加它们。我们可以使用shortcut中的卷积投射输入，以匹配输出特征：
from typing import Optional
class ResidualAdd（nn．Module）：
def ＿＿init＿＿（self， block： nn．Module， shortcut： Optional［nn．Module］ ＝ None）：
super（）．＿＿init＿＿（）
self．block ＝ block
self．shortcut ＝ shortcut
def forward（self， x： Tensor） －＞ Tensor：
res ＝ x
x ＝ self．block（x）
if self．shortcut：
res ＝ self．shortcut（res）
x ＋＝ res
return x
ResidualAdd（
nn．Conv2d（32， 64， kernel＿size＝1），
shortcut＝nn．Conv2d（32， 64， kernel＿size＝1）
）（x）．shape
BottleNeck Blocks
在图像识别的深度残差学习中引入了Bottlenecks。Bottlenecks块接受大小为BxCxHxW的输入，它首先使用1x1 卷积将其变为BxC／rxHxW，然后应用3x3 卷积，最后将输出重新映射到与输入相同的特征维度BxCxHxW，然后再次使用1x1卷积。这比使用三个3x3卷积更快。
因为首先减少了输入，所以我们称之为“Bottlenecks”。下图显示了该块，我们在原始实现中使用了r＝4
前两个卷积之后是batchnorm和一个非线性激活层，而最后一个非线性层在加法后应用。
在PyTorch中为：
from torch import nn
class BottleNeck（nn．Sequential）：
def ＿＿init＿＿（self， in＿features： int， out＿features： int， reduction： int ＝ 4）：
reduced＿features ＝ out＿features ／／ reduction
super（）．＿＿init＿＿（
nn．Sequential（
ResidualAdd（
nn．Sequential（
＃ wide －＞ narrow
Conv1X1BnReLU（in＿features， reduced＿features），
＃ narrow －＞ narrow
Conv3X3BnReLU（reduced＿features， reduced＿features），
＃ narrow －＞ wide
Conv1X1BnReLU（reduced＿features， out＿features， act＝nn．Identity），
），
shortcut＝Conv1X1BnReLU（in＿features， out＿features）
if in＿features ！＝ out＿features
else None，
），
nn．ReLU（），
）
）
BottleNeck（32， 64）（x）．shape
请注意，仅当输入和输出特征不同时，我们才应用shortcut。
在实践中，当我们希望减小空间维数时，在卷积中使用stride＝2。
Linear BottleNecks
MobileNet V2中引入了Linear Bottleneck。Linear BottleNecks是没有激活函数的Bottlenecks块。
在论文的第3．2节中，他们详细讨论了为什么在输出之前存在非线性会损害性能。简而言之，非线性函数ReLU在＜0时设为0会导致破坏信息。因此，在Bottlenecks中删除nn．ReLU你就可以拥有Linear BottleNecks。
倒残差
MobileNet V2中再次引入了倒残差。
倒残差块是反向的Bottlenecks层。它们通过第一次卷积扩展特征，而不是减少特征。
下图应该可以清楚地说明这一点
我们从BxCxHxW到－＞BxCxHxW－＞BxCxHxW－＞BxCxHxW，其中e是膨胀率，它被设置为4。而不是像在正常的Bottlenecks区那样变宽－＞变窄－＞变宽，而是相反，变窄－＞变宽－＞变窄。
在PyTorch中，实现如下
class InvertedResidual（nn．Sequential）：
def ＿＿init＿＿（self， in＿features： int， out＿features： int， expansion： int ＝ 4）：
expanded＿features ＝ in＿features ＊ expansion
super（）．＿＿init＿＿（
nn．Sequential（
ResidualAdd（
nn．Sequential（
＃ narrow －＞ wide
Conv1X1BnReLU（in＿features， expanded＿features），
＃ wide －＞ wide
Conv3X3BnReLU（expanded＿features， expanded＿features），
＃ wide －＞ narrow
Conv1X1BnReLU（expanded＿features， out＿features， act＝nn．Identity），
），
shortcut＝Conv1X1BnReLU（in＿features， out＿features）
if in＿features ！＝ out＿features
else None，
），
nn．ReLU（），
）
）
InvertedResidual（32， 64）（x）．shape
在MobileNet中，只有当输入和输出特征匹配时，才会应用残差连接
class MobileNetLikeBlock（nn．Sequential）：
def ＿＿init＿＿（self， in＿features： int， out＿features： int， expansion： int ＝ 4）：
＃ use ResidualAdd if features match， otherwise a normal Sequential
residual ＝ ResidualAdd if in＿features ＝＝ out＿features else nn．Sequential
expanded＿features ＝ in＿features ＊ expansion
super（）．＿＿init＿＿（
nn．Sequential（
residual（
nn．Sequential（
＃ narrow －＞ wide
Conv1X1BnReLU（in＿features， expanded＿features），
＃ wide －＞ wide
Conv3X3BnReLU（expanded＿features， expanded＿features），
＃ wide －＞ narrow
Conv1X1BnReLU（expanded＿features， out＿features， act＝nn．Identity），
），
），
nn．ReLU（），
）
）
MobileNetLikeBlock（32， 64）（x）．shape
MobileNetLikeBlock（32， 32）（x）．shape
MBConv
MobileNet V2的构建块被称为MBConv。MBConv是具有深度可分离卷积的倒残差的Linear BottleNecks层。
深度可分离卷积
深度可分离卷积采用一种技巧，将一个正常的3x3卷积夹在两个卷积中，以减少参数数量。
第一个对每个输入的通道应用单个3x3滤波器，另一个对所有通道应用1x1滤波器。
这与正常的3x3卷积相同，但你节省了参数。
然而它比我们现有硬件上的普通3x3慢得多。
下图显示了这个想法
通道中的不同颜色表示每个通道应用的单个过滤器
PyTorch中：
class DepthWiseSeparableConv（nn．Sequential）：
def ＿＿init＿＿（self， in＿features： int， out＿features： int）：
super（）．＿＿init＿＿（
nn．Conv2d（in＿features， in＿features， kernel＿size＝3， groups＝in＿features），
nn．Conv2d（in＿features， out＿features， kernel＿size＝1）
）
DepthWiseSeparableConv（32， 64）（x）．shape
第一次卷积通常称为depth，而第二次卷积称为point。让我们统计参数量
sum（p．numel（） for p in DepthWiseSeparableConv（32， 64）．parameters（） if p．requires＿grad）
输出：2432
让我们看一个普通的Conv2d
sum（p．numel（） for p in nn．Conv2d（32， 64， kernel＿size＝3）．parameters（） if p．requires＿grad）
输出：18496
有很大的区别
实现MBConv
那么，让我们创建一个完整的MBConv。
MBConv有几个重要的细节，标准化应用于深度和点卷积，非线性仅应用于深度卷积（Linear Bottlenecks）。
class MBConv（nn．Sequential）：
def ＿＿init＿＿（self， in＿features： int， out＿features： int， expansion： int ＝ 4）：
residual ＝ ResidualAdd if in＿features ＝＝ out＿features else nn．Sequential
expanded＿features ＝ in＿features ＊ expansion
super（）．＿＿init＿＿（
nn．Sequential（
residual（
nn．Sequential（
＃ narrow －＞ wide
Conv1X1BnReLU（in＿features，
expanded＿features，
act＝nn．ReLU6
），
＃ wide －＞ wide
Conv3X3BnReLU（expanded＿features，
expanded＿features，
groups＝expanded＿features，
act＝nn．ReLU6
），
＃ here you can apply SE
＃ wide －＞ narrow
Conv1X1BnReLU（expanded＿features， out＿features， act＝nn．Identity），
），
），
nn．ReLU（），
）
）
MBConv（32， 64）（x）．shape
Fused MBConv
EfficientNetV2中引入了融合倒残差
所以基本上，由于深度卷积比较慢，他们将第一个和第二个卷积融合在一个3x3的卷积中（第3．2节）。
class FusedMBConv（nn．Sequential）：
def ＿＿init＿＿（self， in＿features： int， out＿features： int， expansion： int ＝ 4）：
residual ＝ ResidualAdd if in＿features ＝＝ out＿features else nn．Sequential
expanded＿features ＝ in＿features ＊ expansion
super（）．＿＿init＿＿（
nn．Sequential（
residual（
nn．Sequential（
Conv3X3BnReLU（in＿features，
expanded＿features，
act＝nn．ReLU6
），
＃ here you can apply SE
＃ wide －＞ narrow
Conv1X1BnReLU（expanded＿features， out＿features， act＝nn．Identity），
），
），
nn．ReLU（），
）
）
MBConv（32， 64）（x）．shape
结论
现在你应该知道所有这些块之间的区别以及它们背后的原因了！
