Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks

论文地址：

1. 论文解决的问题

2. 解决问题的方法

3. PConv 的适用范围

4. PConv 在目标检测中的应用

5. 评估方法

6. 潜在挑战

7. 未来研究方向

8.即插即用代码

---

论文地址：

2303.03667https://arxiv.org/pdf/2303.03667

1. 论文解决的问题

这篇论文主要解决的是神经网络的运行速度问题。尽管近年来神经网络的性能突飞猛进，但其高延迟和高计算量也限制了其在实际应用中的推广。为了解决这个问题，研究者们通常关注降低浮点运算次数 (FLOPs)，但论文指出，单纯降低 FLOPs 并不一定能带来相应的延迟降低。

2. 解决问题的方法

论文分析了导致低延迟的主要原因，发现是运算符频繁的内存访问导致的。因此，论文提出了一个新的运算符——部分卷积 (PConv)，它通过减少冗余计算和内存访问来更有效地提取空间特征。

PConv 的原理：

• PConv 只对输入通道的一部分应用常规卷积，而其余通道则保持不变。

• 通过这种方式，PConv 在降低 FLOPs 的同时，也减少了内存访问次数，从而提高了运行速度。

• 为了充分利用所有通道的信息，PConv 通常与逐点卷积 (PWConv) 结合使用，形成一个 T 形的感受野，更专注于中心位置。

3. PConv 的适用范围

PConv 可以应用于各种需要提取空间特征的神经网络任务，例如：

• 图像分类： PConv 可以替代现有的卷积运算符，例如深度可分离卷积 (DWConv) 和分组卷积 (GConv)，从而提高运行速度。

• 目标检测： PConv 可以用于特征提取网络，例如骨干网络，从而提高检测速度。

• 语义分割： PConv 可以用于特征提取网络，例如编码器，从而提高分割速度。

4. PConv 在目标检测中的应用

PConv 在目标检测中的应用位置：

• 骨干网络： PConv 可以用于替代骨干网络中的 DWConv 或 GConv，从而提高特征提取速度。

• 特征金字塔网络 (FPN)： PConv 可以用于替代 FPN 中的 DWConv 或 GConv，从而提高多尺度特征提取速度。

• 注意力机制： PConv 可以用于改进注意力机制，例如 Squeeze-and-Excitation (SE) 块，从而提高注意力机制的效率。

PConv 在目标检测中的优势：

• 提高检测速度： PConv 可以降低目标检测的推理时间，从而提高检测速度。

• 提高检测精度： PConv 可以提取更丰富的特征，从而提高检测精度。

• 降低计算量： PConv 可以降低目标检测的计算量，从而降低对计算资源的需求。

5. 评估方法

为了评估 PConv 在目标检测中的应用效果，可以使用以下指标：

• 平均精度 (AP)： 评估目标检测算法的精度。

• 平均精度均值 (mAP)： 评估目标检测算法的平均精度。

• 推理时间： 评估目标检测算法的运行速度。

• 计算量： 评估目标检测算法的计算复杂度。

6. 潜在挑战

尽管 PConv 在目标检测中具有很大的潜力，但也存在一些潜在挑战：

• 参数调整： PConv 的性能可能受到参数设置的影响，例如部分比例和卷积核大小。

• 与现有模型的兼容性： PConv 需要与现有的目标检测模型进行整合，这可能需要进行一些修改。

• 训练时间： PConv 可能需要更长的训练时间才能达到最佳性能。

7. 未来研究方向

未来研究方向可以包括：

• 改进 PConv 的设计： 探索更有效的 PConv 设计，例如不同的部分比例和卷积核大小。

• 将 PConv 应用于其他目标检测模型： 将 PConv 应用于其他目标检测模型，例如 YOLO 和 SSD。

• 探索 PConv 在其他视觉任务中的应用： 探索 PConv 在其他视觉任务中的应用，例如图像检索和视频理解。

PConv 是一种很有潜力的运算符，可以用于提高目标检测的速度和精度。将 PConv 应用于目标检测模型，可以降低推理时间、提高检测精度，并降低对计算资源的需求。未来研究可以进一步探索 PConv 的设计、与其他模型的兼容性，以及在其他视觉任务中的应用。

8.即插即用代码

from torch import nn
import torch
class Partial_conv3(nn.Module):

    def __init__(self, dim, n_div, forward):
        super().__init__()
        self.dim_conv3 = dim // n_div
        self.dim_untouched = dim - self.dim_conv3
        self.partial_conv3 = nn.Conv2d(self.dim_conv3, self.dim_conv3, 3, 1, 1, bias=False)

        if forward == 'slicing':
            self.forward = self.forward_slicing
        elif forward == 'split_cat':
            self.forward = self.forward_split_cat
        else:
            raise NotImplementedError

    def forward_slicing(self, x):
        # only for inference
        x = x.clone()  # !!! Keep the original input intact for the residual connection later
        x[:, :self.dim_conv3, :, :] = self.partial_conv3(x[:, :self.dim_conv3, :, :])

        return x

    def forward_split_cat(self, x):
        # for training/inference
        x1, x2 = torch.split(x, [self.dim_conv3, self.dim_untouched], dim=1)
        x1 = self.partial_conv3(x1)
        x = torch.cat((x1, x2), 1)

        return x


if __name__ == '__main__':
    block = Partial_conv3(64, 2, 'split_cat').cuda()
    input = torch.rand(3, 64, 64, 64).cuda() #输入shape b c h w
    output = block(input)
    print(input.size(), output.size())

大家对于YOLO改进感兴趣的可以进群了解，群中有答疑，（QQ群:828370883）