畳み込みニューラルネットワークの高精度化と高速化
•Download as PPTX, PDF•
95 likes•65,635 views
2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降，画像認識においては畳み込みニューラルネットワーク (CNN) を用いることがデファクトスタンダードとなった．CNNは画像分類だけではなく，セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている．本講演では，AlexNet以降の代表的なCNNの変遷を振り返るとともに，近年提案されている様々なCNNの改良手法についてサーベイを行い，それらを幾つかのアプローチに分類し，解説する．更に，実用上重要な高速化手法について、畳み込みの分解や枝刈り等の分類を行い，それぞれ解説を行う． Recent Advances in Convolutional Neural Networks and Accelerating DNNs 第21回ステアラボ人工知能セミナー講演資料 https://stair.connpass.com/event/126556/
![Shake-Shake Regularization
• 特徴マップレベルでのデータ拡張
• 画像レベルではcroppingをすることで画像内の物体の比率を変化させ、
その変化にロバストに。特徴マップレベルでも同じことができないか？
• モジュール内でネットワークを分岐させ画像レベルで
各分岐の出力をランダムな比率（α∈[0, 1]）で混合する
• Backward時には違う比率βを利用する
55
conv 3x3
conv 3x3 conv 3x3
conv 3x3
+
** al 1-al
conv 3x3
conv 3x3 conv 3x3
conv 3x3
+
** bl 1-bl
conv 3x3
conv 3x3 conv 3x3
conv 3x3
+
** 0.5 0.5
Forward Backward Test
X. Gastaldi, "Shake-shake regularization of 3-branch residual networks," in Proc. of ICLR Workshop, 2017.](https://image.slidesharecdn.com/recentadvancesinconvolutionalneuralnetworksandacceleratingdnns-190515042518/85/-55-320.jpg)
![ShakeDrop
• 分岐させずに特徴マップに対する外乱を加えられないか
• PyramidNetとShakeShakeの統合
• PyramidNetにおいてdropさせる代わりにShakeShakeのような
外乱を加える（forward α倍、backward β倍）
• α∈[−1,1]、β∈[0,1]、チャネルレベルの外乱が最も良い
56
conv 3x3
conv 3x3
** bl 1-bl
Forward
al*
+
conv 3x3
conv 3x3
** bl 1-bl
Backward
bl*
+
conv 3x3
conv 3x3
*
+
Test
E[bl +(1-bl )al ]
Y. Yamada, M. Iwamura, and K. Kise, "ShakeDrop regularization," in Proc. of ICLR Workshop, 2018.](https://image.slidesharecdn.com/recentadvancesinconvolutionalneuralnetworksandacceleratingdnns-190515042518/85/-56-320.jpg)
![Mixup* / Between-class Learning**
• データとラベルのペア(X1,y1), (X2,y2)から、新たな訓練サンプル(X,y)を
作成するデータ拡張手法
• X=λX1+(1−λ)X2
y=λy1+(1−λ)y2
• ここでラベルy1,y2はone-hot表現、
X1,X2は任意のベクトルやテンソル
• λ∈[0, 1]はベータ分布Be(α,α)から
サンプリングする
58
* H. Zhang, M. Cisse, Y. N. Dauphin, and D. LopezPaz. mixup, "Beyond empirical risk minimization," in
Proc. of ICLR, 2018
** Y. Tokozume, Y. Ushiku, and T. Harada, "Between-class Learning for Image Classification," in Proc. of
CVPR, 2018](https://image.slidesharecdn.com/recentadvancesinconvolutionalneuralnetworksandacceleratingdnns-190515042518/85/-58-320.jpg)
畳み込みニューラルネットワークの高精度化と高速化
- 2. 自己紹介 • 内田祐介（株式会社ディー・エヌ・エー AIシステム部 副部長） • 〜2017年：通信キャリアの研究所で画像認識・検索の研究に従事 • 2016年 ：社会人学生として博士号を取得（情報理工学） • 2017年〜：DeNA中途入社、深層学習を中心とした コンピュータビジョン技術の研究開発に従事 2 Twitter: https://twitter.com/yu4u GitHub: https://github.com/yu4u Qiita: https://qiita.com/yu4u SlideShare: https://www.slideshare.net/ren4yu medium: https://medium.com/@yu4u
- 3. 本日の発表の内容 • 畳み込みニューラルネットワークの高精度化 • ILSVRC歴代の優勝モデルから 畳み込みニューラルネットワークの歴史を振り返る • 近年の畳み込みニューラルネットワーク高精度化手法を いくつかのタイプに分類、解説 • 畳み込みニューラルネットワークの高速化 • 特定のハードウェアに依存しない高速化手法を いくつかのタイプに分類、解説 3
- 5. ILSVRCで振り返るCNNの進化 • ImageNet Large Scale Visual Recognition Challenge (ILSVRC) • ImageNetデータセットを利用したコンペ • WordNetをもとにクラスを定義 • 各クラスのデータを大量に収集＆アノテーション • 学習データ120万枚、テストデータ10万枚 • クラス分類、物体検出、位置特定等のタスクが存在 • 特にクラス分類の精度の推移が画像認識の進化の 指標として参考にされることが多い • 2012年に深層学習ベースの手法が優勝して以降、 （畳み込み）ニューラルネットワークの天下一武道会化 • ここでの優勝モデルがデファクトスタンダードとして利用される • セグメンテーション等、他のタスクでも利用される 5
- 8. 人間のエラー率5.1%？ • そもそも人間のエラー率は0%なのでは？ • No, ImageNetがどうやって作成されたかに関係 • ImageNetデータセットの作成手順 • WordNetを元に1000クラスを定義 • 検索エンジンで各クラスの画像を収集 • クラウドワーカーが各画像とクラスが 対応しているか否かのバイナリ判定 • ImageNetのタスク • 画像が与えられ、1000クラスから1つのクラスを選択 8http://karpathy.github.io/2014/09/02/what-i-learned-from-competing-against-a-convnet-on-imagenet/
- 9. 人間のエラー率5.1%？ • “1 smart, trained and highly education human being performed at that error rate” https://amundtveit.com/tag/imagenet/ • Andrej Karpathyさん (Stanford→OpenAI→Tesla) 9https://github.com/karpathy
- 10. Karpathyさんのエラー率5.1までの道のり • 2014年のGoogLeNetの達成精度 (top5 error 6.7%) から 人間との比較をすべきと考えた • 専用のアノテーションツールを作成 • ILSVRCに従事しているラボメンでも 1000クラスから5クラス選択することは非常に難しい • GoogLeNetの結果を利用して、候補を100クラスに限定 • それでも難しくラボの熟練ラベラーでも13〜15%のエラー率 • 自分が訓練データを用い、”苦痛を伴う長時間の学習”を経て、じっ くりアノテーションするのが効率的と気づいた • train on 500 validation images -> 1500 test images • テストエラー5.1%を達成！犬の品種に詳しくなった！ • 上記のように、エラー率5.1%は天才がかなり頑張った結果 • とはいえCNNの学習時間に比べるとまだ足りないという考え方も 10
- 12. Before AlexNet • Neocognitron • 脳の視覚野に関する知見を元に考案 • 単純型細胞：特徴抽出を行う畳み込み層 • 複雑型細胞：位置ずれを吸収するプーリング層 • 自己組織化による特徴抽出 12 K. Fukushima and S. Miyake, "Neocognitron: A new algorithm for pattern recognition tolerant of deformations and shifts in position," in Pattern Recognition, 1982.
- 13. Before AlexNet • Neocognitronの活性化関数は実はReLU 13 K. Fukushima and S. Miyake, "Neocognitron: A new algorithm for pattern recognition tolerant of deformations and shifts in position," in Pattern Recognition, 1982.
- 14. Before AlexNet • LeNet • 逆誤差伝搬法による学習 • 文字認識で成功をおさめる • 全体的なアーキテクチャは既に完成 14 Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition," in Proceedings of the IEEE, 1998.
- 15. Before AlexNet • 巷のLeNetはLeNetではない 15 出力チャネル 入力チャネル Sparseな 畳み込み！ Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-based learning applied to document recognition," in Proceedings of the IEEE, 1998.
- 16. AlexNet • 2012年のILSVRC優勝モデル • Rectified Linear Units (ReLU) • Local Response Normalization (LRN) （最近は使われない） • Overlapping pooling (3x3 max pool, stride =2) • Dropout（全結合層） • SGD + momentum, weight decay, learning rate decay 16 A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," in Proc. of NIPS, 2012.
- 17. AlexNet • 2012年のILSVRC優勝モデル • Rectified Linear Units (ReLU) • Local Response Normalization (LRN) （最近は使われない） • Overlapping pooling (3x3 max pool, stride =2) • Dropout（全結合層） • SGD + momentum, weight decay, learning rate decay 17 既にほぼ現在のアーキテクチャの姿 A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," in Proc. of NIPS, 2012.
- 18. AlexNet • 巷のAlexNetは（ｒｙ • いくつかの畳み込み層は、チャネル方向に分割され 2つのGPUでそれぞれ独立に畳み込みが行われる 「grouped convolution」となっている 18 A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," in Proc. of NIPS, 2012.
- 19. ZFNet • 2013年のILSVRC優勝モデル • CNNの可視化を行い、AlexNetの2つの問題を明らかにし、改良 • 1つ目の畳み込みフィルタのカーネルサイズが大きく 高周波と低周波の情報を取得するフィルタばかりになっている • Stride = 4により2層目の特徴マップにエイリアシングが発生 19M. Zeiler and R. Fergus, “Visualizing and understanding convolutional networks,” in Proc. of ECCV, 2014.
- 20. GoogLeNet • 2014年のILSVRC優勝モデル • Inceptionモジュール • Global Average Pooling (GAP) • Auxiliary loss • ネットワークを途中で分岐させ、そこで分類を行うロスを追加 →学習の効率化＋正則化 20C. Szegedy, et al., "Going deeper with convolutions", in Proc. of CVPR, 2015.
- 21. Inceptionモジュール • 小さなネットワークを1つのモジュールとして定義し モジュールの積み重ねでネットワークを構成 • 3x3と複数の1x1畳み込みを1つのモジュールとする Network In Network (NIN) に起源 • Sparseな畳み込みにより、 表現能力とパラメータ数のトレードオフを改善 • 1x1畳み込みによる次元削減 21 concat conv 1x1 conv 1x1 maxpool conv 1x1 conv 3x3 conv 5x5 conv 1x1 concat maxpoolconv 1x1 conv 3x3 conv 5x5 Inceptionモジュール（次元削減あり） Inceptionモジュール（naive）
- 22. Sparseな畳み込み • 通常の畳み込みのパラメータ数＝N×M×K2 • N: 入力チャネル数、M: 出力チャネル数、K2: カーネルサイズ • （例）グループ化畳み込みのパラメータ数＝N×M×K2 / G • G: グループ数 22 入力チャネル数 出力チャネル数 カーネルサイズ グループ数2の例 ※簡単のためbiasは無視 KxK畳み込みの パラメータ
- 23. Sparseな畳み込みとしてのInceptionモジュール 23 concat maxpoolconv 1x1 conv 3x3 conv 5x5 Inceptionモジュール（naive） 入力チャネル数 出力チャネル数 カーネルサイズ 5x5 3x3 1x1 5x5の畳み込みを 少数パラメータで近似 ※簡単のためmax poolを無視
- 24. Sparseな畳み込みとしてのInceptionモジュール 24 concat conv 1x1 conv 1x1 maxpool conv 1x1 conv 3x3 conv 5x5 conv 1x1 Inceptionモジュール（次元削減あり） 1x1畳み込み Inceptionモジュール ※簡単のためmax poolを無視 1x1畳み込みの次元削減で 更にパラメータを削減 naïveバージョン
- 25. Global Average Pooling (GAP) • 特徴マップのサイズと同じaverage pooling • NIN*で提案された。チャネル数をクラス数に調整してからGAP • GoogLeNet以降では、GAPの後に全結合層を付ける • 全結合層を減らすことでパラメータ数を削減 25 W H C=クラス数 1 1HxWxCの 特徴マップ クラス数 GAP softmax * M. Lin, Q. Chen, and S. Yan, "Network in network," in Proc. of ICLR, 2014.
- 26. Inception-v? • Inception-v2,3 • Batch normalization • 5x5 -> 3x3 (x2) • nxn -> nx1 + 1xn • Inception-v4 • 3種類のInceptionを使い分け • Inception-ResNet-v1,2 • 後述のショートカット機構の導入 26 = Inception-v3 C. Szegedy, V. Vanhoucke, S. Ioffe, and J. Shlens, "Rethinking the inception architecture for computer vision," in Proc. of CVPR, 2016. C. Szegedy, S. Ioffe, V. Vanhoucke, and A. A. Alemi, "Inception-v4, inception-resnet and the impact of residual connections on learning," in Proc. of AAAI, 2017.
- 27. VGGNet • 2014年のILSVRCで2位となったモデル、シンプルなモデルの設計方針 • 3x3畳み込み層（＋全結合層）のみを利用 • 5x5畳み込みと3x3畳み込み×2は同じreceptive fieldを持つ • 計算量は 25:18 • 同一出力チャネルの畳み込み層を重ねた後に プーリングにより特徴マップを半分にしつつチャネル数を倍増 • まずは浅いネットワークを学習し、畳み込み層を追加してfine-tuning することで深いネットワークを学習（Xavierの初期化で不要に） 27 conv 5x5 conv 3x3 - conv 3x3 K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," in Proc. of ICLR, 2015.
- 28. Residual Networks (ResNet)* • 2015年のILSVRC優勝モデル • Residualモジュール（ショートカット機構）の導入→後述 • Batch normalizationの導入 • ネットワーク内の共変量シフトを軽減 • Global Average Pooling (GAP) の利用 • Heの初期化の利用 • ReLUを考慮したパラメータの初期化 • ショートカットを展開していくと複数の深さの違う ネットワークのアンサンブルとなっている** 28 * K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," in Proc. of CVPR, 2016. ** A. Veit, M. Wilber, and S. Belongie, "Residual networks behave like ensembles of relatively shallow networks," in Proc. of NIPS, 2016.
- 29. Residualモジュール • ある処理の出力 F(x) を次の層に渡すのではなく 入力xをショートカットし、 F(x) + x を次の層に渡す処理単位 • Backpropagation時にショートカットを通じて 直接勾配が下層に伝わることで深いネットワークでも 効率的な学習が可能 29 some network F(x) conv 3x3, 64 conv 3x3, 64 ショートカット + + 64-dim 64-dim 抽象的なresidualモジュール 具体例
- 30. ResNetの構造 • Residualモジュールの スタック • ダウンサンプルする際に チャネル数を2倍に （VGGと同じ） • チャネル数が違う ショートカットは zero-padingかconv 1x1で調整 30 Resモジュール 3x3, 64 Resモジュール 3x3, 128 Resモジュール 3x3, 256 Resモジュール 3x3, 512 GAP 全結合層 conv 3x3, 64 maxpool ×3 ×4 ×6 ×3 conv 3x3, 64 conv 3x3, 64 + 64-dim 64-dim 114x114x64 224x224x3 56x56x64 28x28x128 14x14x256 7x7x 512 1000
- 31. ResNet Bottleneckバージョン • 1x1畳み込みで次元削減、その後3x3畳み込みを行った後、 更に1x1畳み込みで次元を復元 • 同等のパラメータ数で表現能力を改善 • 深くもなる • パラメータ数も削減 31 conv 3x3, 64 conv 3x3, 64 + 64-dim 64-dim conv 1x1, 256 conv 3x3, 64 + conv 1x1, 64 256-dim 256-dim 入力チャネル数 出力チャネル数 カーネルサイズ 通常 Bottleneck版
- 32. Squeeze-and-Excitation Networks (SENet) • 2017年のILSVRC優勝モデル • チャネル毎の特徴マップを適応的に重み付けする SE Blockを導入 • Globalなコンテキストを取得するsqueeze step • チャネル間の依存関係を抽出するexcitation step • どんなネットワークにも導入可能 • ResNet, ResNeXt, Inception, Inception-ResNet-v2等に導入し 有効性を確認 32 conv 1x1 global pooling ReLU conv 1x1 sigmoid scaling HxWxC 1x1xC 1x1xC/r 1x1xC HxWxC
- 33. まとめ 33 Residual AlexNet VGGNet GoogLeNet ResNet Batch Normalization LeNet Neocognitron Back propagation Heの初期化 Glorotの 初期化 conv 1x1 Dropout ReLU 1990s 2012 2013 2014 2015 NIN Global Average Pooling
- 34. まとめ 34 AlexNet VGGNet GoogLeNet ResNet Batch Normalization LeNet Neocognitron Back propagation Heの初期化 Glorotの 初期化 conv 1x1 Dropout ReLU 1990s 2012 2013 2014 2015 NIN Global Average Pooling Residual
- 35. 最新のCNN改良手法 • Residualモジュールの改良 • 独自モジュールの利用 • 独自マクロアーキテクチャの利用 • 正則化/データ拡張 • アーキテクチャの自動設計 ※基本的に各論文の手法は自身がstate-of-the-artだと 言っているので精度の結果とかは載せません 35
- 36. 最新のCNN改良手法 • Residualモジュールの改良 • 独自モジュールの利用 • 独自マクロアーキテクチャの利用 • 正則化/データ拡張 • アーキテクチャの自動設計 36
- 37. Residualモジュールの改良 • Residualモジュールをゴニョゴニョする • WideResNet* • 深くするより、幅（チャネル数）を大きくして（相対的に） 浅いネットワークのほうが精度・学習速度が優秀 • PyramidNet** • サウンサンプルするタイミングでチャネル数を 2倍にするのではなく、全てのresidualモジュールで 徐々にチャネル数を増加させる • チャネル数を2倍にするresidualモジュールに ネットワークが過度に依存してしまうのを防ぐ 37 * S. Zagoruyko and N. Komodakis, "Wide residual networks," in Proc. of BMVC, 2016. ** D. Han, J. Kim, and J. Kim, "Deep pyramidal residual networks," in Proc. of CVPR, 2017.
- 38. Residualモジュールのベストプラクティス • 初代ResNet* • conv - bn - relu - conv - bn - add - relu • pre-act ResNet**（addの後にReLUをしない） • bn - relu - conv - bn - relu - conv - add • PyramidNet***（ReLUを減らす、BN追加） • bn - conv - bn - relu - conv - bn - add • WideResNet****（dropoutがタスクによって効果がある） • bn - relu - conv - bn - relu - dropout - conv – add 38 * K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," in Proc. of CVPR, 2016. ** K. He, X. Zhang, S. Ren, and J. Sun, "Identity mappings in deep residual networks," in Proc. of ECCV, 2016. *** D. Han, J. Kim, and J. Kim, "Deep pyramidal residual networks," in Proc. of CVPR, 2017. **** S. Zagoruyko and N. Komodakis, "Wide residual networks," in Proc. of BMVC, 2016.
- 39. 最新のCNN改良手法 • Residualモジュールの改良 • 独自モジュールの利用 • 独自マクロアーキテクチャの利用 • 正則化/データ拡張 • アーキテクチャの自動設計 39
- 40. conv 1x1, 4 conv 3x3, 4 conv 1x1, 256 conv 1x1, 4 conv 3x3, 4 conv 1x1, 256 conv 1x1, 4 conv 3x3, 4 conv 1x1, 256 ... + 256-dim 256-dim conv 1x1, 128 conv 3x3, 128, g=32 conv 1x1, 256 256-dim 256-dim + (a) (b) Ti(x) grouped convolution ResNeXt • ILSVRC’16で2位のモデル • ResNetの処理ブロックを”Network-in-Neuron” に置き換えたもの • (a)と(b)は等価表現 40 S. Xie, R. Girshick, P. Dollar, Z. Tu, and K. He, "Aggregated residual transformations for deep neural networks," in Proc. of CVPR, 2017.
- 41. ResNeXt • ResNeXtとresidualモジュール（bottleneckバージョン）の関係 • ResNeXtのモジュールは、bottleneckバージョンの residualモジュールとみなすことができる • Grouped convによりパラメータ数と表現能力のトレードオフを改善 41 conv 1x1, 128 conv 3x3, 128, g=32 conv 1x1, 256 256-dim 256-dim + 次元削減 次元復元 3x3畳み込み（grouped）
- 42. PolyNet • ResNetの H(x) = x + F(x) というresidualモジュールを H(x) = x + F(x) + F(F(x)) といった形にする • FとしてInceptionを利用したPolyInceptionを提案 42 X. Zhang, Z. Li, Chen C. Loy, and D. Lin, "PolyNet: A Pursuit of Structural Diversity in Very Deep Networks," in Proc. of CVPR, 2017.
- 43. Xception（高速化パートで解説） • Separable convを多用したモデル 43F. Chollet, "Xception: Deep learning with depthwise separable convolutions," in Proc. of CVPR, 2017.
- 44. Octave Convolution • 特徴マップを高解像度と低解像度に別々に保持 • それぞれの解像度の特徴マップを行き来させることで 効率的な特徴周出を実現 • 通常の畳み込みを置き換えるだけで精度向上 44 Y. Chen, H. Fan, B. Xu, Z.Yan,Y. Kalantidis, M. Rohrbach, S.Yan, and J. Feng, "Drop an Octave: Reducing Spatial Redundancy in Convolutional Neural Networks with Octave Convolution," in arXiv:1904.05049, 2019.
- 45. 最新のCNN改良手法 • Residualモジュールの改良 • 独自モジュールの利用 • 独自マクロアーキテクチャの利用 • 正則化/データ拡張 • アーキテクチャの自動設計 45
- 46. Residual Networks of Residual Networks (RoR) • 複数のResidualモジュールを1つのモジュールとみなし その間にショートカットを作成する 46 K. Zhang, M. Sun, T. X. Han, X. Yuan, L. Guo, and T. Liu, "Residual networks of residual networks: Multilevel residual networks," in TCSVT, 2017.
- 47. FractalNet • 再帰的に定義されるネットワーク • パスをdropするdropout的な学習 • 浅い列のパスがResNetのショートカットのような効果 47 G. Larsson, M. Maire, and G. Shakhnarovich, "Fractalnet: Ultra-deep neural networks without residuals," in Proc. of ICLR, 2017.
- 48. DenseNet (CVPR’17 best paper) • Dense blockをtransition layerでつないだ構造 48 conv Dense block Dense block Dense block fc Input image Result G. Huang, Z. Liu, K. Q. Weinberger, and L. Maaten, “Densely connected convolutional networks", in Proc. of CVPR, 2017. Dense block Transitionレイヤ
- 49. Dense Block • 同一ブロック内の自分より前の層全ての出力を 各層への入力とする処理ブロック • 入力k0、総数l、各層の出力k とすると出力はk0+l×k 49 入力: k0, 出力: k 入力: k0+k, 出力: k 入力: k0+2k, 出力: k 入力: k0+3k, 出力: k bn - relu – conv 3x3入力: k0 出力: k0+4k G. Huang, Z. Liu, K. Q. Weinberger, and L. Maaten, “Densely connected convolutional networks", in Proc. of CVPR, 2017.
- 50. Dense Block（Bottleneckバージョン） • k0 >> k なので通常の畳み込みよりも計算量が少ないが conv 1x1で次元削減を行うことで更に計算量を削減 50 入力: k0, 中間出力: 4k, 出力: k 入力: k0+k, 中間出力: 4k, 出力: k 入力: k0+2k, 中間出力: 4k, 出力: k 入力: k0+3k, 中間出力: 4k, 出力: k bn - relu - conv 1x1 bn - relu - conv 3x3 入力: k0 出力: k0+4k G. Huang, Z. Liu, K. Q. Weinberger, and L. Maaten, “Densely connected convolutional networks", in Proc. of CVPR, 2017.
- 51. Transition Layer • Transitionレイヤの基本的な役割はダウンダンプリング • conv 1x1の入出力チャネル数は k0+l×k • Compressionバージョンのtransitionレイヤ • conv 1x1の出力チャネル数を θ(k0+l×k) とす • θ≦1、論文では0.5 • 前述のbottleneck構造と圧縮するtransitionレイヤを 利用する場合が精度とパラメータ数のトレードオフで優秀 (DenseNet-BC) 51 conv Dense block Dense block Dense block fc Input image Result Transitionレイヤ bn – conv 1x1 – avepool 2x2
- 52. 最新のCNN改良手法 • Residualモジュールの改良 • 独自モジュールの利用 • 独自マクロアーキテクチャの利用 • 正則化/データ拡張 • アーキテクチャの自動設計 52
- 53. Residual モジュール Drop率 Input Output Deep Networks with Stochastic Depth • ResNetは非常にdeepであることが学習を難しくしている • バッチ毎にresidual unitをランダムにdropすることで 「期待値で見たときの深さ」を浅くする • Drop確率は出力に近いほど高くなるように線形に増加 • テスト時はdropせずに、drop率で出力をスケーリング • 通常のResNetと比較して、学習が早く、高精度 53 G. Huang, Y. Sun, Z. Liu, D. Sedra, and K. Weinberger, "Deep networks with stochastic depth," in Proc. of ECCV, 2016.
- 54. Swapout • Residualモジュールの出力 H(x) = F(x) + xについて • F(x) および x をそれぞれ個別にdropするdropout • 0, x, F(x), F(x) + x の4パターンの出力 • Dropoutだと 0 か F(x) + x • モジュールの途中にいれると x か F(x) + x • 推論時もswapoutを有効にしたまま複数回forwardを行い、 それらの平均を推論結果とする形でないと精度がでない 54 S. Singh, D. Hoiem, and D. Forsyth, "Swapout: Learning an ensemble of deep architectures," in Proc. of NIPS, 2016.
- 55. Shake-Shake Regularization • 特徴マップレベルでのデータ拡張 • 画像レベルではcroppingをすることで画像内の物体の比率を変化させ、 その変化にロバストに。特徴マップレベルでも同じことができないか？ • モジュール内でネットワークを分岐させ画像レベルで 各分岐の出力をランダムな比率（α∈[0, 1]）で混合する • Backward時には違う比率βを利用する 55 conv 3x3 conv 3x3 conv 3x3 conv 3x3 + ** al 1-al conv 3x3 conv 3x3 conv 3x3 conv 3x3 + ** bl 1-bl conv 3x3 conv 3x3 conv 3x3 conv 3x3 + ** 0.5 0.5 Forward Backward Test X. Gastaldi, "Shake-shake regularization of 3-branch residual networks," in Proc. of ICLR Workshop, 2017.
- 56. ShakeDrop • 分岐させずに特徴マップに対する外乱を加えられないか • PyramidNetとShakeShakeの統合 • PyramidNetにおいてdropさせる代わりにShakeShakeのような 外乱を加える（forward α倍、backward β倍） • α∈[−1,1]、β∈[0,1]、チャネルレベルの外乱が最も良い 56 conv 3x3 conv 3x3 ** bl 1-bl Forward al* + conv 3x3 conv 3x3 ** bl 1-bl Backward bl* + conv 3x3 conv 3x3 * + Test E[bl +(1-bl )al ] Y. Yamada, M. Iwamura, and K. Kise, "ShakeDrop regularization," in Proc. of ICLR Workshop, 2018.
- 57. Random Erasing* / Cutout** • シンプルだが強力なデータ拡張 • 一定確率で、訓練画像のランダムな領域を ランダムなピクセルでマスク • 汎化能力を高めテストエラーを軽減 • 物体検出等でも効果あり 57 * Z. Zhong, L. Zheng, G. Kang, S. Li, and Y. Yang, "Random Erasing Data Augmentation," in arXiv:1708.04896, 2017. ** T. DeVries and G. W. Taylor, "Improved Regularization of Convolutional Neural Networks with Cutout," in arXiv:1708.04552, 2017.
- 58. Mixup* / Between-class Learning** • データとラベルのペア(X1,y1), (X2,y2)から、新たな訓練サンプル(X,y)を 作成するデータ拡張手法 • X=λX1+(1−λ)X2 y=λy1+(1−λ)y2 • ここでラベルy1,y2はone-hot表現、 X1,X2は任意のベクトルやテンソル • λ∈[0, 1]はベータ分布Be(α,α)から サンプリングする 58 * H. Zhang, M. Cisse, Y. N. Dauphin, and D. LopezPaz. mixup, "Beyond empirical risk minimization," in Proc. of ICLR, 2018 ** Y. Tokozume, Y. Ushiku, and T. Harada, "Between-class Learning for Image Classification," in Proc. of CVPR, 2018
- 59. RICAP (Random Image Cropping and Patching) • 空間的に複数の画像をmix • ラベルは各画像の面積比で分配 59 R. Takahashi, T. Matsubara, and K. Uehara, "Data Augmentation using Random Image Cropping and Patching for Deep CNNs," in Proc. of ACML, 2018.
- 60. 最新のCNN改良手法 • Residualモジュールの改良 • 独自モジュールの利用 • 独自マクロアーキテクチャの利用 • 正則化/データ拡張 • アーキテクチャの自動設計 60
- 61. Neural Architecture Search • NNのアーキテクチャを自動設計する手法 • 探索空間、探索手法、精度評価手法で大まかに分類される • 探索空間 • Global, cell-based • 探索手法 • 強化学習、進化的アルゴリズム、gradientベース、random • 精度測定手法 • 全学習、部分学習、weight-share、枝刈り探索 61 T. Elsken, J. Metzen, and F. Hutter, "Neural Architecture Search: A Survey," in JMLR, 2019. M. Wistuba, A. Rawat, and T. Pedapati, "A Survey on Neural Architecture Search," in arXiv:1905.01392, 2019. https://github.com/D-X-Y/awesome-NAS
- 62. NAS with Reinforcement Learning • 探索空間：global、探索手法：REINFORCE • RNNのcontrollerがネットワーク構造を生成 • 畳み込み層のパラメータと、skip connectionの有無を出力 • 生成されたネットワークを学習し、その精度を報酬にする 62Zoph and Q. V. Le, "Neural architecture search with reinforcement learning," in Proc. of ICLR, 2017.
- 63. NAS with Reinforcement Learning • 800GPUs for 28 daysの成果 63Zoph and Q. V. Le, "Neural architecture search with reinforcement learning," in Proc. of ICLR, 2017.
- 64. NASNet • 探索空間：cell、 探索手法：強化学習 (Proximal Policy Optimization) • Globalな設計にドメイン知識を活用、 構成するcellのみを自動設計 →探索空間を大幅に削減 • Normal cell x Nとreduction cellのスタック • Reduction cellは最初にstride付きのOPで 特徴マップをダウンサンプル • Reduction cell以降でチャネルを倍に 64 B. Zoph, V. Vasudevan, J. Shlens, and Q. V. Le, "Learning transferable architectures for scalable image recognition," in Proc. of CVPR, 2018.
- 65. NASNetのコントローラの動作 1. Hidden state※1 1, 2を選択 2. それらへのOPsを選択※2 3. それらを結合するOP (add or concat) を選択し新たなhidden stateとする ※1 Hidden state: 緑のブロックとhi, hi-I ※2 Hidden stateへのOP候補 65 B. Zoph, V. Vasudevan, J. Shlens, and Q. V. Le, "Learning transferable architectures for scalable image recognition," in Proc. of CVPR, 2018.
- 66. NASNetのコントローラの動作 1. Hidden state※1 1, 2を選択 2. それらへのOPsを選択※2 3. それらを結合するOP (add or concat) を選択し新たなhidden stateとする ※1 Hidden state: 緑のブロックとhi, hi-I ※2 Hidden stateへのOP候補 66 B. Zoph, V. Vasudevan, J. Shlens, and Q. V. Le, "Learning transferable architectures for scalable image recognition," in Proc. of CVPR, 2018.
- 67. NASNetのコントローラの動作 1. Hidden state※1 1, 2を選択 2. それらへのOPsを選択※2 3. それらを結合するOP (add or concat) を選択し新たなhidden stateとする ※1 Hidden state: 緑のブロックとhi, hi-I ※2 Hidden stateへのOP候補 67 B. Zoph, V. Vasudevan, J. Shlens, and Q. V. Le, "Learning transferable architectures for scalable image recognition," in Proc. of CVPR, 2018. sep 3x3 avg 3x3
- 68. NASNetのコントローラの動作 1. Hidden state※1 1, 2を選択 2. それらへのOPsを選択※2 3. それらを結合するOP (add or concat) を選択し新たなhidden stateとする ※1 Hidden state: 緑のブロックとhi, hi-I ※2 Hidden stateへのOP候補 68 B. Zoph, V. Vasudevan, J. Shlens, and Q. V. Le, "Learning transferable architectures for scalable image recognition," in Proc. of CVPR, 2018. concat sep 3x3 avg 3x3
- 69. NASNet-A • 500 GPUs for 4 daysの成果 69 B. Zoph, V. Vasudevan, J. Shlens, and Q. V. Le, "Learning transferable architectures for scalable image recognition," in Proc. of CVPR, 2018.
- 70. ENAS* • 探索空間：cell、探索手法：強化学習 (REINFORCE) • Cellの構造を出力するRNNコントローラと、 コントローラーが出力する全てのネットワークをサブグラフとして 保持できる巨大な計算グラフ（ネットワーク）を同時に学習 →生成したネットワークの学習が不要に（1GPU for 0.45 days!） • Single shot, weight share • 詳細は神資料**を参照 70 * H. Pham, M. Y. Guan, B. Zoph, Q. V. Le, and Jeff Dean, "Efficient Neural Architecture Search via Parameter Sharing," in Proc. of ICML, 2018. ** https://www.slideshare.net/tkatojp/efficient-neural-architecture-search-via-parameters- sharing-icml2018
- 71. ENASの学習 • コントローラーのパラメータθと 巨大なネットワークのパラメータwを交互に学習 • wの学習 • θを固定し、サブグラフをサンプリング • サブグラフをforward-backwardしwを更新 • θの学習 • wを固定し、サブグラフをサンプリング • validationデータで精度を測定し報酬を取得、REINFORCEでθを更新 71
- 72. DARTS • 探索空間：cell、探索手法：gradient • グラフの接続やOPの選択をsoftmaxで実現することで、 構造探索もforward-backwardで実現 • ENASと同じくshared param、wと構造を交互に最適化 72H. Liu, K. Simonyan, and Y. Yang, "DARTS: Differentiable Architecture Search," in Proc. of ICLR, 2019.
- 73. Random Search系 • Weight share + random search (ASHA) が良い* • Asynchronous Successive Halving (ASHA)：複数のモデルを平行 に学習を進めながら有望なものだけを残して枝刈り • Optunaで使えるよ！** • 探索空間を、ランダムなDAG生成アルゴリズムが生成するグラフ にすると想像以上に良い*** 73 * L. Li and A. Talwalkar, "Random search and reproducibility for neural architecture search," in arXiv:1902.07638, 2019. ** https://www.slideshare.net/shotarosano5/automl-in-neurips-2018 *** S. Xie, A. Kirillov, R. Girshick, and K. He, "Exploring Randomly Wired Neural Networks for Image Recognition," in arXiv:1904.01569, 2019.
- 74. 最新のCNN改良手法 • Residualモジュールの改良 • 独自モジュールの利用 • 独自マクロアーキテクチャの利用 • 正則化/データ拡張 • アーキテクチャの自動設計 74
- 78. 前提 • 主に下記の条件を満たす手法を紹介 • 特定のハードウェアに依存せずに実現可能 • 畳み込みニューラルネットワーク (CNN) が対象 • 推論時の高速化が対象 78
- 79. 高速化？ • モデルパラメータ数の削減 • FLOPs (MACs) 数の削減 • モデルファイルサイズの削減 • 推論時間の削減 • 訓練時間の削減 微妙に違う 79
- 80. FLOPs ≠ 処理速度 • Convの部分がFLOPsで見える部分 80 N. Ma, X. Zhang, H. Zheng, and J. Sun, "ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design," in Proc. of ECCV, 2018.
- 81. 畳み込みニューラルネットワーク • 畳み込みとプーリング演算により徐々に高度な特徴を抽出、 全結合層で画像全体の特徴から識別（クラス分類） • 必要な計算量のほとんどは畳み込み層の演算 →いかに畳み込み層の演算を削減するかが重要 81 畳み込み プーリング 畳み込み プーリング 畳み込み プーリング 全結合 1000 1000クラス の分類 入力画像
- 82. モデル高速化 • 畳み込みの分解 (Factorization) • 枝刈り (Pruning) • 早期終了 (Early termination) • 蒸留 (Distillation) • 量子化 (Quantization) 82
- 83. モデル高速化 • 畳み込みの分解 (Factorization) • 枝刈り (Pruning) • 早期終了 (Early termination) • 蒸留 (Distillation) • 量子化 (Quantization) 83
- 84. 畳み込み層の計算量 • 入力レイヤサイズ：H x W x N • 畳み込みカーネル：K x K x N x M convKxK, M と表記 (e.g. conv 3x3, 64) • 出力レイヤサイズ：H x W x M • 畳み込みの計算量：H・W・N・K2・M（バイアス項を無視） 84 W H N M K K W H 入力特徴マップ 畳み込み カーネル N 出力特徴マップ ＊ 和要素積 × M convK×K, M 畳み込み層の計算量は • 画像/特徴マップのサイズ（HW） • 入出力チャネル数（NM） • カーネルサイズ（K2） に比例
- 85. 空間方向の分解 • 大きな畳み込みカーネルを小さな畳み込みカーネルに分解 • 例えば5x5の畳み込みを3x3の畳み込み2つに分解 • これらは同じサイズの受容野を持つが分解すると計算量は25:18 • Inception-v2*では最初の7x7畳み込みを3x3畳み込み3つに分解 • 以降のSENetやShuffleNetV2等の実装でも利用されている** 85 特徴マップ conv5x5 conv3x3 - conv3x3 * C. Szegedy, et al., "Rethinking the Inception Architecture for Computer Vision," in Proc. of CVPR, 2016. ** T. He, et al., "Bag of Tricks for Image Classification with Convolutional Neural Networks," in Proc. of CVPR, 2019.
- 86. 空間方向の分解 • nxnを1xnとnx1に分解することも 86C. Szegedy, et al., "Rethinking the Inception Architecture for Computer Vision," in Proc. of CVPR, 2016.
- 87. SqueezeNet • 戦略 • 3x3の代わりに1x1のフィルタを利用する • 3x3への入力となるチャネル数を少なくする（1x1で次元圧縮） 87 conv 1x1, s1x1 conv 1x1, e1x1 conv 3x3, e3x3 concat Fire module 32 128128 256 256 Squeeze layer Expand layer F. N. Iandola, S. Han, M. W. Moskewicz, K. Ashraf, W. J. Dally, and K. Keutzer, "SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size," in arXiv:1602.07360, 2016.
- 88. 空間方向とチャネル方向の分解 (separable conv) • 空間方向とチャネル方向の畳み込みを独立に行う • Depthwise畳み込み（空間方向） • 特徴マップに対しチャネル毎に畳み込み • 計算量：H・W・N・K2・M (M=N) H・W・K2・N • Pointwise畳み込み（チャネル方向） • 1x1の畳み込み • 計算量：H・W・N・K2・M (K=1) H・W・N・M • Depthwise + pointwise (separable) • 計算量：H・W・N・(K2 + M) ≒ H・W・N・M (※M >> K2) • H・W・N・K2・M から大幅に計算量を削減 88W H W H N 1 1 M W H W H N K K N W H W H N M K K通常 depthwise pointwise
- 89. 空間方向とチャネル方向の分離 • イメージ 89 conv 3x3 conv 1x1 depthwise conv spatial channel
- 90. Separable畳み込みのパラメータ数 • 通常の畳み込み • Separable畳み込み 90 入力チャネル数 出力チャネル数 カーネルサイズ Depthwise畳み込み Pointwise畳み込み
- 91. Xception • Separable convを多用したモデル 91F. Chollet, "Xception: Deep learning with depthwise separable convolutions," in Proc. of CVPR, 2017.
- 92. MobileNet* • depthwise/pointwise convを多用 • 改良版のMobileNetV2**/V3***もある 92 通常の畳み込み MobileNetの1要素 *A. Howard, et al., "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications," in arXiv:1704.04861, 2017. ** M. Sandler, et al., "MobileNetV2: Inverted Residuals and Linear Bottlenecks," in Proc. of CVPR, 2018. *** A. Howard, et al., "Searching for MobileNetV3," in arXiv:1905.02244, 2019.
- 93. MobileNetV1 vs. V2 93 depthwise conv conv 1x1 depthwise conv conv 1x1 conv 1x1 spatial channel
- 94. ShuffleNet • MobileNetのボトルネックとなっているconv1x1を group conv1x1 + channel shuffleに置換 • group conv: 入力の特徴マップをG個にグループ化し 各グループ内で個別に畳み込みを行う （計算量 H・W・N・K2・M → H・W・N・K2・M / G） • channel shuffle: チャネルの順序を入れ替える reshape + transposeの操作で実現 94 c shuffle depthwise conv gconv 1x1 spatial channel gconv 1x1 X. Zhang, et al., "ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices," in arXiv:1707.01083, 2017.
- 95. ShuffleNet V2 • FLOPsではなく対象プラットフォームでの実速度を見るべき • 効率的なネットワーク設計のための4つのガイドラインを提言 1. メモリアクセス最小化のためconv1x1は入力と出力を同じにす べし 2. 行き過ぎたgroup convはメモリアクセスコストを増加させる 3. モジュールを細分化しすぎると並列度を低下させる 4. 要素毎の演算（ReLUとかaddとか）コストは無視できない • これらの妥当性がtoyネットワークを通して実験的に示されている 95 N. Ma, X. Zhang, H. Zheng, and J. Sun, "ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design," in Proc. of ECCV, 2018.
- 96. ShuffleNet V2 • その上で新たなアーキテクチャを提案 96 N. Ma, X. Zhang, H. Zheng, and J. Sun, "ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design," in Proc. of ECCV, 2018.
- 97. ChannelNet • チャネル方向に1次元の畳み込みを行う 97 H. Gao, Z. Wang, and S. Ji, "ChannelNets: Compact and Efficient Convolutional Neural Networks via Channel-Wise Convolutions", in Proc. of NIPS, 2018.
- 98. ShiftNet • チャネルをグループ化し、各グループごとに空間的にシフトする shift演算 (0 FLOPs) とconv1x1でモジュールを構成 98B. Wu, et al., "Shift: A Zero FLOP, Zero Parameter," in arXiv:1711.08141, 2017.
- 99. 他にも… 99 G. Huang, S. Liu, L. Maaten, and K. Weinberger, "CondenseNet: An Efficient DenseNet using Learned Group Convolutions," in Proc. of CVPR, 2018. T. Zhang, G. Qi, B. Xiao, and J. Wang. Interleaved group convolutions for deep neural networks," in Proc. of ICCV, 2017. G. Xie, J. Wang, T. Zhang, J. Lai, R. Hong, and G. Qi, "IGCV2: Interleaved Structured Sparse Convolutional Neural Networks, in Proc. of CVPR, 2018. K. Sun, M. Li, D. Liu, and J. Wang, "IGCV3: Interleaved Low-Rank Group Convolutions for Efficient Deep Neural Networks," in BMVC, 2018. J. Zhang, "Seesaw-Net: Convolution Neural Network With Uneven Group Convolution," in arXiv:1905.03672, 2019.
- 101. モデル高速化 • 畳み込みの分解 (Factorization) • 枝刈り (Pruning) • 早期終了 (Early termination) • 蒸留 (Distillation) • 量子化 (Quantization) 101
- 102. 枝刈り (Pruning) • 畳み込み層や全結合層の重みの一部を0にすることで パラメータ数・計算量を削減 1. ネットワークを学習 2. 枝刈り（精度低下） 3. ネットワークを再学習（精度をある程度回復） というフローが一般的 102
- 103. Unstructured vs. Structured Pruning • Pruning前の畳み込みフィルタ • Unstructured pruning • Structured pruning（フィルタ（チャネル）pruningが一般的） 103 K K … … … M（出力チャネル）個 計算量vs.精度のtrade-offは優れているが 専用のハードウェアでないと高速化できない 単にチャネル数が減少したネットワークに 再構築が可能で高速化の恩恵を受けやすい
- 104. Optimal Brain Damage (OBD) • 損失関数のヘッシアン（対角近似）から重みの重要度を算出 • 重要度の低い重みをpruning • LeNetの60%のパラメータを削除しても精度を維持 104
- 105. Optimal Brain Damage (OBD) • 損失関数のヘッシアン（対角近似）から重みの重要度を算出 • 重要度の低い重みをpruning • LeNetの60%のパラメータを削除しても精度を維持 105 Y. LeCun, J. Denker, and S. Solla, "Optimal Brain Damage," in Proc. of NIPS, 1990.
- 106. Optimal Brain Damage (OBD) • 損失関数のヘッシアン（対角近似）から重みの重要度を算出 • 重要度の低い重みをpruning • LeNetの60%のパラメータを削除しても精度を維持 106 Y. LeCun, J. Denker, and S. Solla, "Optimal Brain Damage," in Proc. of NIPS, 1990. Retrainして精度を回復させている
- 107. Deep Compression • Unstructuredなpruning • L2正則化を加えて学習し、絶対値が小さいweightを0に • 実際に高速に動かすには専用ハードが必要 107 S. Han, et al., "Learning both Weights and Connections for Efficient Neural Networks," in Proc. of NIPS, 2015. S. Han, et al., "Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding," in Proc. of ICLR, 2016. S. Han, et al., "EIE: Efficient Inference Engine on Compressed Deep Neural Network," in Proc. of ISCA, 2016.
- 108. Pruning Filters for Efficient ConvNets • Structured pruning（チャネルレベルのpruning） • 各レイヤについて、フィルタの重みの絶対値の総和が 小さいものからpruning • 各レイヤのpruning率はpruningへのsensitivityから 人手で調整 • Pruning後にfinetune 108H. Li, et al., "Pruning Filters for Efficient ConvNets," in Proc. of ICLR, 2017.
- 109. Network Slimming • Batch normのパラメータγにL1ロスをかけて学習 • 学習後、γが小さいチャネルを削除し、fine-tune 109 チャネル毎に入力を平均0分散1に正規化、γとβでscale & shift チャネルi Batch normalization Z. Liu, et al., "Learning Efficient Convolutional Networks through Network Slimming," in Proc. of ICCV, 2017.
- 110. L0ではなくLasso に緩和して解く Channel Pruning • あるfeature mapのチャネル削除した場合に 次のfeature mapの誤差が最小となるようチャネルを選択 110Y. He, et al., "Channel Pruning for Accelerating Very Deep Neural Networks," in Proc. of ICCV, 2017.
- 111. ThiNet • 前述の手法と同じように、次のfeature mapの誤差が 最小となるレイヤをgreedy削除 • 削除後に、畳み込みの重みを誤差が最小になるように 調整→finetune 111 J. Luo, et al., "ThiNet: A Filter Level Pruning Method for Deep Neural Network Compression," in Proc. of ICCV, 2017.
- 112. AutoML for Model Compression and Acceleration (AMC) • 強化学習（off-policy actor-critic）により 各レイヤ毎の最適なpruning率を学習 • 入力は対象レイヤの情報とそれまでのpruning結果、 報酬は –エラー率×log(FLOPs) or log(#Params) 112 Y. He, et al., "AMC - AutoML for Model Compression and Acceleration on Mobile Devices," in Proc. of ECCV, 2018.
- 113. Lottery Ticket Hypothesis (ICLR’19 Best Paper) • NNには、「部分ネットワーク構造」と「初期値」の 組み合わせに「当たり」が存在し、それを引き当てると 効率的に学習が可能という仮説 • Unstructuredなpruningでその構造と初期値を見つけることができた 113 https://www.slideshare.net/YosukeShinya/the-lottery-ticket-hypothesis-finding-small-trainable-neural-networks Jonathan Frankle, Michael Carbin, "The Lottery Ticket Hypothesis: Finding Sparse, Trainable Neural Networks," in Proc. of ICLR, 2019.
- 114. Network Pruning as Architecture Search • Structuredなpruning後のネットワークをscratchから学習させても finetuneと同等かそれより良い結果が得られるという主張 • つまりpruningは、重要な重みを探索しているのではなく 各レイヤにどの程度のチャネル数を割り当てるかという Neural Architecture Search (NAS) をしているとみなせる • Lottery Ticket Hypothesisではunstructuredで、低LRのみ、 実験も小規模ネットワークのみ 114Z. Liu, et al., "Rethinking the Value of Network Pruning," in Proc. of ICLR, 2019.
- 115. Slimmable Neural Networks* • 1モデルだが複数の計算量（精度）で動かせるモデルを学習 • Incremental trainingだと精度が出ない • 同時学習だとBNの統計量が違うため学習できない → 切替可能なモデルごとにBN層だけを個別に持つ！ • もっと連続的に変化できるモデル**や、そこからgreedyにpruning する（精度低下が最も小さいレイヤを削っていく）拡張***も 115 * J. Yu, L. Yang, N. Xu, J. Yang, and T. Huang, "Slimmable Neural Networks," in Proc. of ICLR, 2019. ** J. Yu and T. Huang, "Universally Slimmable Networks and Improved Training Techniques," in arXiv:1903.05134, 2019. *** J. Yu and T. Huang, "Network Slimming by Slimmable Networks: Towards One-Shot Architecture Search for Channel Numbers," in arXiv:1903.11728, 2019.
- 116. MetaPruning • Pruning後のネットワークの重みを 出力するPruningNetを学習 • Blockへの入力はNetwork encoding vector 前および対象レイヤのランダムなpruning率 • 全部入れたほうが良さそうな気がするが 著者に聞いたところ効果なし • End-to-endで学習できる！ • 学習が終わると精度vs.速度のトレードオフの 優れたモデルを探索（手法は何でも良い）ここではGA 116 Z. Liu, H. Mu, X. Zhang, Z. Guo, X. Yang, T. Cheng, and J. Sun, "MetaPruning: Meta Learning for Automatic Neural Network Channel Pruning," in arXiv:1903.10258, 2019.
- 117. モデル高速化 • 畳み込みの分解 (Factorization) • 枝刈り (Pruning) • 早期終了 (Early termination) • 蒸留 (Distillation) • 量子化 (Quantization) 117
- 118. 早期終了 (Early termination) • 入力に応じてネットワークの途中で結果を出力し、 それ以降の処理を行わない（早期終了） • 入力に応じてネットワークの構造を動的に変える （動的計算グラフ; dynamic computation graph） • 「平均処理時間」を削減する 118
- 119. BranchyNet • ネットワークの途中に結果の出力層を追加 • 学習時にはすべての出力層に適当なweightをかけて学習 • そのsoftmaxのエントロピーが閾値以下の場合にExit 119 S. Teerapittayanon, et al., "BranchyNet: Fast Inference via Early Exiting from Deep Neural Networks," in Proc. of ICPR, 2016.
- 120. Spatially Adaptive Computation Time (SACT) • ACT: 各ResBlockがhalting scoreを出力、合計が1を超えると 以降の処理をスキップ（空間領域でも行うとSACT） 120 計算量に関する勾配を追加 M. Figurnov, et al., "Spatially Adaptive Computation Time for Residual Networks," in Proc. of CVPR, 2017.
- 121. Runtime Neural Pruning • 各レイヤ毎に、直前までの特徴マップを入力とするRNNが 利用する畳み込みフィルタ集合を決定 • Keepした畳み込みフィルタ数と元タスクの損失関数（最終層の場 合）を負の報酬としてQ学習でRNNを学習 121J. Lin, et al., "Runtime Neural Pruning," in Proc. of NIPS, 2017.
- 122. BlockDrop • Policy networkに画像を入力、どのBlockをスキップするかを出力 • KeepとなったResBlockのみをforward • 認識が失敗した場合は負の報酬を、成功した場合にはスキップ率に 応じた正の報酬を与えることでpolicy networkを学習 122Z. Wu, et al., "BlockDrop: Dynamic Inference Paths in Residual Networks," in Proc. of CVPR, 2018.
- 123. モデル高速化 • 畳み込みの分解 (Factorization) • 枝刈り (Pruning) • 早期終了 (Early termination) • 蒸留 (Distillation) • 量子化 (Quantization) 123
- 124. 蒸留 (Distillation) • 大きなモデルや、複数のネットワークのアンサンブルを 「教師モデル」とし、小さな「生徒モデル」を学習 • 教師の出力や中間特徴を生徒が模擬するようなロスをかける 124 1. アンサンブルモデルや 大きなモデルを学習 2. 学習済みモデルを利用して 小さなモデルを学習
- 125. Distilling the Knowledge in a Neural Network 125 …… 学習画像 学習済みモデル 学習するモデル … 正解ラベル （ハード ターゲッ ト） 通常T = 1のsoftmaxのTを大きくした ソフトターゲットを利用 … ソフトターゲット ソフト ターゲット ハード ターゲット 正解ラベルと 学習モデル出力の 両方を利用 G. Hinton, et al., "Distilling the Knowledge in a Neural Network," in Proc. of NIPS Workshop, 2014.
- 126. FitNet • 教師よりもdeepかつthinな生徒を学習する • 生徒のguided layerが、教師のhit layerの出力を 正確に模擬する (regression) ロスを追加 126A. Romero, et al., "FitNets: Hints for Thin Deep Nets," in Proc. of ICLR, 2015.
- 127. モデル高速化 • 畳み込みの分解 (Factorization) • 枝刈り (Pruning) • 早期終了 (Early termination) • 蒸留 (Distillation) • 量子化 (Quantization) 127
- 128. 量子化 • ネットワークのパラメータ等を量子化することで モデルサイズを削減、学習や推論を高速化 • 量子化対象 • 重み、アクティベーション（特徴マップ）、勾配、エラー • 量子化手法 • 線形、log、非線形 / スカラ、ベクトル、直積量子化 • 量子化ビット • 1bit（バイナリ）、3値 (-1, 0, 1)、8bit、16bit、任意bit • 専用ハードがないと恩恵を受けられない事が多い • 半精度*は汎用ハード＆フレームワークでもサポート 128* https://github.com/NVIDIA/apex
- 129. WAGE • weights (W), activations (A), gradients (G), errors (E) の全てを量子化 129S. Wu, et al., "Training and Inference with Integers in Deep Neural Networks," in Proc. of ICLR, 2018.
- 130. WAGE • weights (W), activations (A), gradients (G), errors (E) 130S. Wu, et al., "Training and Inference with Integers in Deep Neural Networks," in Proc. of ICLR, 2018. バイナリ
- 131. Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference* • 推論時にuint8の演算がメインとなるように 学習時に量子化をシミュレーションしながら学習 • TensorFlow公式に実装が存在** 131 * B. Jacob, et al., "Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference," in Proc. of CVPR, 2018. ** https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/quantize/README.md
- 132. モデル高速化 • 畳み込みの分解 (Factorization) • 枝刈り (Pruning) • 早期終了 (Early termination) • 蒸留 (Distillation) • 量子化 (Quantization) • 現状のbest practice • MobileNet等の効率的なアーキテクチャをベースに channel pruningを行い、可能なら半精度やuint8化 132
- 133. まとめ • 畳み込みニューラルネットワークの高精度化 • ILSVRC歴代の優勝モデルから 畳み込みニューラルネットワークの歴史を振り返る • 近年の畳み込みニューラルネットワーク高精度化手法を いくつかのタイプに分類、解説 • 畳み込みニューラルネットワークの高速化 • 特定のハードウェアに依存しない高速化手法を いくつかのタイプに分類、解説 • Hardware-awareなNAS！ 133
Editor's Notes
- cuda kernelを書かないといけないかどうか
- multiply accumulates or MACs
- dynamic network
- dynamic network
- 良くある空間解像度を1/2にしてチャネルを2倍にする
- depthwiseとpointwiseの間にBNとReLUが入っている Xceptionの論文では入れないほうが精度が良いとの主張
- dynamic network
- dynamic network
- 学習初期は出力層付近のみdropする 最後にResNetを含めてfinetune BlockDrop: Dynamic Inference Paths in Residual Networks CVPR'18
- dynamic network
- dynamic network
- tensorcoreは必要なので専用ハード
- dynamic network