[卷积神经网络]RepConv和重参数化

news2024/10/5 12:44:12

RepConv是Yolov7,YoloV9中一个重要的结构，其主要用于在保持精度不退化的情况下提升推理速度。RepConv在学习阶段和推理阶段拥有不同的结构，这使得其推理阶段的复杂度大大降低。这项技术的核心在于重参数化。

一、重参数化

重参数化的主要思想是将卷积(Conv)和归一化(BN)融合在一起以减少运算量。Conv和BN的公式如下：

$Conv(x)=Wx+b$ ...①

$y_i=\gamma \hat{x_i}+\beta=BN_{\gamma,\beta}(x_i)$ ...②，其中 $\gamma,\beta$ 是可学习参数，BN可以拆分为下列公式：

均值： $\mu _B=\frac{1}{n} \sum_{i=1}^m x_i$

方差： $\sigma _B^2=\frac{1}{m}\sum_{i=1}^m (x_i-\mu_B)^2$

归一化： $\hat{x_i}=\frac{x_i-\mu_B}{\sqrt{\sigma^2+\varepsilon }}$

一般的卷积结构如上图所示，由Conv和BN叠加而成，其表达可由式①和式②融合：

$BN(Conv(x))$ ，并将之化简后可得：

$BN(Conv(x))=\gamma \frac{Conv(x)-\mu_B}{\sqrt{\sigma^2+\varepsilon }}+\beta=\frac{\gamma w(x)}{\sqrt{\sigma^2+\varepsilon }}+(\frac{\gamma(b-\mu_B)}{\sqrt{\sigma^2+\varepsilon }}+\beta)$ ，其中 $\frac{\gamma w}{\sqrt{\sigma^2+\varepsilon }}$ 可以视为w( $w_{BN} w_{Conv}$ )， $(\frac{\gamma(b-\mu_B)}{\sqrt{\sigma^2+\varepsilon }}+\beta)$ 可以视为b( $w_{BN}b_{Conv}+b_{BN}$ )，即可将两个式子简化为一个卷积形式：

$BN(Conv(x))=w x+b$

二、RepConv

RepConv的简化思路是：将不同尺寸的卷积统一为3x3->将3x3卷积和BN融合起来。就像下图展示的一样。

RepConv的重参数代码如下：

    def fuse_repvgg_block(self):
        if self.deploy:
            return
        print(f"RepConv.fuse_repvgg_block")

        self.rbr_dense = self.fuse_conv_bn(self.rbr_dense[0], self.rbr_dense[1])  # 3*3卷积 

        self.rbr_1x1 = self.fuse_conv_bn(self.rbr_1x1[0], self.rbr_1x1[1])
        rbr_1x1_bias = self.rbr_1x1.bias  # ch_out
        # 填充[1,1,1,1]表示在左右上下个填充1个单位，即第三四维(h,w)各增加2
        weight_1x1_expanded = torch.nn.functional.pad(self.rbr_1x1.weight, [1, 1, 1, 1])  # co*ci*(ks+2)*(ks+2)

        # Fuse self.rbr_identity
        if (isinstance(self.rbr_identity, nn.BatchNorm2d) or isinstance(self.rbr_identity, nn.modules.batchnorm.SyncBatchNorm)):
        	# 0*0支路是BatchNorm2d或SyncBatchNorm的前提是out_channels=in_channels，在RepConv的__init__()中可以看到
            identity_conv_1x1 = nn.Conv2d(
                in_channels=self.in_channels,
                out_channels=self.out_channels,
                kernel_size=1,
                stride=1,
                padding=0,
                groups=self.groups,
                bias=False)  # （co, ci, 1, 1）
            identity_conv_1x1.weight.data = identity_conv_1x1.weight.data.to(self.rbr_1x1.weight.data.device)
            identity_conv_1x1.weight.data = identity_conv_1x1.weight.data.squeeze().squeeze()  # (co, ci)
            identity_conv_1x1.weight.data.fill_(0.0)
            identity_conv_1x1.weight.data.fill_diagonal_(1.0)  # 变成一个单位阵，每个元素可看成一个1*1卷积片
            identity_conv_1x1.weight.data = identity_conv_1x1.weight.data.unsqueeze(2).unsqueeze(3)  # (co, ci, 1, 1), 现在我们得到了一个0*0卷积

            identity_conv_1x1 = self.fuse_conv_bn(identity_conv_1x1, self.rbr_identity)  # 与BN融合
            
            bias_identity_expanded = identity_conv_1x1.bias
            weight_identity_expanded = torch.nn.functional.pad(identity_conv_1x1.weight, [1, 1, 1, 1])  # 将每个1*1卷积片pad一圈0，即在第3、4维各加2
        else:
        	# channels_out不等于channels_in,零矩阵
            bias_identity_expanded = torch.nn.Parameter(torch.zeros_like(rbr_1x1_bias))
            weight_identity_expanded = torch.nn.Parameter(torch.zeros_like(weight_1x1_expanded))

        self.rbr_dense.weight = torch.nn.Parameter(
            self.rbr_dense.weight + weight_1x1_expanded + weight_identity_expanded)
        self.rbr_dense.bias = torch.nn.Parameter(self.rbr_dense.bias + rbr_1x1_bias + bias_identity_expanded)

        self.rbr_reparam = self.rbr_dense
        self.deploy = True

        if self.rbr_identity is not None:
            del self.rbr_identity
            self.rbr_identity = None

        if self.rbr_1x1 is not None:
            del self.rbr_1x1
            self.rbr_1x1 = None

        if self.rbr_dense is not None:
            del self.rbr_dense
            self.rbr_dense = None

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1697460.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！