来源：新智元
paper:httsp://arxiv.org/abs/2101.03697
code: https://github.com/DingXiaoH/RepVGG
Abstract
本文提出一种简单而强有力的CNN架构RepVGG，在推理阶段，它具有与VGG类似的架构，而在训练阶段，它则具有多分支架构体系，这种训练-推理解耦的架构设计源自一种称之为“重参数化(re-parameterization)”的技术。
在ImageNet数据集上，RepVGG取得了超过80%的top-1精度，这是plain模型首次达到如此高的精度。在NVIDIA 1080TiGPU上，RepVGG比ResNet50快83%，比ResNet101快101%，同时具有更高的精度；相比EfficientNet与RegNet，RepVGG表现出了更好的精度-速度均衡。
该文的主要贡献包含以下三个方面：
提出了一种简单有强有的CNN架构RepVGG，相比EfficientNet、RegNet等架构，RepVGG具有更佳的精度-速度均衡；
提出采用重参数化技术对plain架构进行训练-推理解耦；
在图像分类、语义分割等任务上验证了RepVGG的有效性。
Method
Simple is Fast, Memory-economical, Flexible
简单的ConvNet具有这样三点优势：
Fast：
相比VGG，现有的多分支架构理论上具有更低的Flops，但推理速度并未更快。比如VGG16的参数量为EfficientNetB3的8.4倍，但在1080Ti上推理速度反而快1.8倍。这就意味着前者的计算密度是后者的15倍。
Flops与推理速度的矛盾主要源自两个关键因素：
(1) MAC(memory access cose),比如多分支结构的Add与Cat的计算很小，但MAC很高;
(2)并行度，已有研究表明：并行度高的模型要比并行度低的模型推理速度更快。
Memory-economical：
多分支结构是一种内存低效的架构，这是因为每个分支的结构都需要在Add/Concat之前保存，这会导致更大的峰值内存占用；而plain模型则具有更好的内存高效特征。
Flexible：
多分支结构会限制CNN的灵活性，比如ResBlock会约束两个分支的tensor具有相同的形状；与此同时，多分支结构对于模型剪枝不够友好。
Training-time Multi-branch Architecture
Palin模型具有多种优势但存在一个重要的弱势：性能差。比如VGG16在ImageNet仅能达到72%的top-1指标。
本文所设计的RepVGG则是受ResNet启发得到，ResNet的ResBlock显示的构建了一个短连接模型信息流，当的维度不匹配时，上述信息流则转变为。
尽管多分支结构对于推理不友好，但对于训练友好，作者将RepVGG设计为训练时的多分支，推理时单分支结构。作者参考ResNet的identity与1x1分支，设计了如下形式模块：
其中，分别对应卷积。在训练阶段，通过简单的堆叠上述模块构建CNN架构；而在推理阶段，上述模块可以轻易转换为形式，且的参数可以通过线性组合方式从已训练好的模型中转换得到。
Re-param for Plain Inference-time Model
接下来，我们将介绍如何将已训练模块转换成单一的卷积用于推理。下图给出了参数转换示意图。
我们采用表示输入，输出，卷积核为3的卷积；
采用表示输入，输出，卷积核为1的卷积；
采用表示卷积后的BatchNorm的参数；
采用表示卷积后的BatchNorm的参数;
采用表示identity分支的BatchNorm的参数。
假设分别表示输入与输出，当时，
否则，简单的采用无identity分支的模块，也就是说只有前两项。注：bn表示推理时的BN。
首先，我们可以将每个BN与其前接Conv层合并：
注：identity分支可以视作卷积。通过上述变换，此时上述模块仅仅具有一个卷积核，两个卷积核以及三个bias参数。
此时，三个bias参数可以通过简单的add方式合并为一个bias；而卷积核则可以将卷积核参数加到卷积核的中心点得到。
Architectural Specification
前面介绍了RepVGG的核心模块设计方式，接下来就要介绍RepVGG的网络结构如何设计了。
下表给出了RepVGG的配置信息，包含深度与宽度。
RepVGG是一种类VGG的架构，在推理阶段它仅仅采用卷积与ReLU，且未采用MaxPool。对于分类任务，采用GAP+全连接层作为输出头。
对于每个阶段的层数按照如下三种简单的规则进行设计：
第一个阶段具有更大的分辨率，故而更为耗时，为降低推理延迟仅仅采用了一个卷积层；
最后一个阶段因为具有更多的通道，为节省参数量，故而仅设计一个卷积层；
在倒数第二个阶段，类似ResNet，RepVGG放置了更多的层。
基于上述考量，RepVGG-A不同阶段的层数分别为1-2-4-14-1;与此同时，作者还构建了一个更深的RepVGG-B，其层数配置为1-4-6-16-1。RepVGG-A用于与轻量型网络和中等计算量网络对标，而RepVGG-B用于与高性能网络对标。
在不同阶段的通道数方面，作者采用了经典的配置64-128-256-512。
与此同时，作者采用因子控制前四个阶段的通道，因子控制最后一个阶段的通道，通常（我们期望最后一层具有更丰富的特征）。
为避免大尺寸特征的高计算量，对于第一阶段的输出通道做了约束。基于此得到的不同RepVGG见下表。
为进一步降低计算量与参数量，作者还设计了可选的组卷积替换标准卷积。具体地说，在RepVGG-A的3-5-7-...-21卷积层采用了组卷积；此外，在RepVGG-B的23-25-27卷积层同样采用了组卷积。
Experiments
接下来，我们将在不同任务上验证所提方案的有效性，这里主要在ImageNet图像分类任务上进行了实验分析。
上表给出了RepVGG与不同计算量的ResNe及其变种在精度、速度、参数量等方面的对比。
可以看到：RepVGG表现出了更好的精度-速度均衡，比如
RepVGG-A0比ResNet18精度高1.25%，推理速度快33%；
RepVGG-A1比Resnet34精度高0.29%，推理速度快64%；
RepVGG-A2比ResNet50精度高0.17%，推理速度快83%；
RepVGG-B1g4比ResNet101精度高0.37%，推理速度快101%；
RepVGG-B1g2比ResNet152精度相当，推理速度快2.66倍。
另外需要注意的是：RepVGG同样是一种参数高效的方案。比如：相比VGG16，RepVGG-B2b168.com仅需58%参数量，推理快10%，精度高6.57%。
与此同时，还与EfficientNet、RegNet等进行了对比，对比如下：
RepVGG-A2比EfficientNet-B0精度高1.37%，推理速度快59%；
RepVGG-B1比RegNetX-3.2GF精度高0.39%，推理速度稍快；
此外需要注意：RepVGG仅需200epoch即可取得超过80%的top1精度，见上表对比。这应该是plain模型首次在精度上达到SOTA指标。
相比RegNetX-12GF，RepVGG-B3的推理速度快31%，同时具有相当的精度。
尽管RepVGG是一种简单而强有力的ConvNet架构，它在GPU端具有更快的推理速度、更少的参数量和理论FLOPS；但是在低功耗的端侧，MobileNet、ShuffleNet会更受关注。
全文到此结束，更多消融实验分析建议各位同学查看论文原文。
题外话
话说在半个月多之前就听说xiangyu等人把ACNet的思想与Inception相结合设计了一种性能更好的重参数化方案RepVGG，即可取得训练时的性能提升，又可以保持推理高效，使得VGG类网络可以达到ResNet的高性能。
在初次看到RepVGG架构后，笔者就曾尝试将其用于VDSR图像超分方案中，简单一试，确实有了提升，而且不需要进行梯度裁剪等额外的一些操作，赞。
从某种程度上讲，RepVGG应该是ACNet的的一种极致精简，比如上图给出了ACNet的结构示意图，它采用了
三种卷积设计；而RepVGG则是仅仅采用了三个分支设计。
ACNet与RepVGG的另外一点区别在于：ACNet是将上述模块用于替换ResBlock或者Inception中的卷积，而RepVGG则是采用所设计的模块用于替换VGG中的卷积。
Code
最后附上作者提供的RepVGG的核心模块实现code，如下所示。
# code from https://github.com/DingXiaoH/RepVGG
classRepVGGBlock(nn.Module):
def__init__(self, in_channels, out_channels, kernel_size,
stride=1, padding=0, dilation=1, groups=1, padding_mode='zeros', deploy=False):
super(RepVGGBlock, self).__init__()
self.deploy = deploy
self.groups = groups
self.in_channels = in_channels
assert kernel_size == 3
assert padding == 1
padding_11 = padding - kernel_size // 2
self.nonlinearity = nn.ReLU()
if deploy:
self.rbr_reparam = nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=kernel_size, stride=stride,
padding=padding, dilation=dilation, groups=groups, bias=True, padding_mode=padding_mode)
else:
self.rbr_identity = nn.BatchNorm2d(num_features=in_channels) if out_channels == in_channels and stride == 1elseNone
self.rbr_dense = conv_bn(in_channels=in_channels, out_channels=out_channels, kernel_size=kernel_size, stride=stride, padding=padding, groups=groups)
self.rbr_1x1 = conv_bn(in_channels=in_channels, out_channels=out_channels, kernel_size=1, stride=stride, padding=padding_11, groups=groups)
print('RepVGG Block, identity = ', self.rbr_identity)
defforward(self, inputs):
if hasattr(self, 'rbr_reparam'):
return self.nonlinearity(self.rbr_reparam(inputs))
if self.rbr_identity isNone:
id_out = 0
else:
id_out = self.rbr_identity(inputs)
return self.nonlinearity(self.rbr_dense(inputs) + self.rbr_1x1(inputs) + id_out)
def_fuse_bn(self, branch):
if branch isNone:
return0, 0
if isinstance(branch, nn.Sequential):
kernel = branch.conv.weight.detach().cpu().numpy()
running_mean = branch.bn.running_mean.cpu().numpy()
running_var = branch.bn.running_var.cpu().numpy()
gamma = branch.bn.weight.detach().cpu().numpy()
beta = branch.bn.bias.detach().cpu().numpy()
eps = branch.bn.eps
else:
assert isinstance(branch, nn.BatchNorm2d)
kernel = np.zeros((self.in_channels, self.in_channels, 3, 3))
for i in range(self.in_channels):
kernel[i, i, 1, 1] = 1
running_mean = branch.running_mean.cpu().numpy()
running_var = branch.running_var.cpu().numpy()
gamma = branch.weight.detach().cpu().numpy()
beta = branch.bias.detach().cpu().numpy()
eps = branch.eps
std = np.sqrt(running_var + eps)
t = gamma / std
t = np.reshape(t, (-1, 1, 1, 1))
t = np.tile(t, (1, kernel.shape[1], kernel.shape[2], kernel.shape[3]))
return kernel * t, beta - running_mean * gamma / std
def_pad_1x1_to_3x3(self, kernel1x1):
if kernel1x1 isNone:
return0
kernel = np.zeros((kernel1x1.shape[0], kernel1x1.shape[1], 3, 3))
kernel[:, :, 1:2, 1:2] = kernel1x1
return kernel
defrepvgg_convert(self):
kernel3x3, bias3x3 = self._fuse_bn(self.rbr_dense)
kernel1x1, bias1x1 = self._fuse_bn(self.rbr_1x1)
kernelid, biasid = self._fuse_bn(self.rbr_identity)
return kernel3x3 + self._pad_1x1_to_3x3(kernel1x1) + kernelid, bias3x3 + bias1x1 + biasid
