当前位置：首页 > article >正文

【Block总结】PConv，部分卷积|即插即用

article 2025/1/31 16:04:04

论文信息

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

论文链接: https://arxiv.org/pdf/2303.03667

GitHub链接: https://github.com/JierunChen/FasterNet
在这里插入图片描述

创新点

该论文的核心创新在于提出了一种新的运算符——部分卷积（PConv），旨在提高神经网络的每秒浮点操作数（FLOPS），从而实现更快的推理速度。研究表明，传统方法往往专注于减少浮点运算（FLOPs），但这并不一定能有效降低延迟。相反，提升FLOPS的效率才是实现快速神经网络的关键。
在这里插入图片描述

方法

论文中提出的PConv运算符通过以下方式优化了神经网络的性能：

减少冗余计算: PConv仅对部分输入通道应用卷积操作，而保留其他通道不变，从而降低了计算复杂度。
优化内存访问: 通过减少频繁的内存访问，PConv提高了计算效率，特别是在深度卷积（DWConv）中表现尤为明显。
设计理念: 该方法强调在保持较低FLOPs的同时，提升FLOPS，以实现更高的计算速度和更低的延迟。

效果

实验结果显示，使用FasterNet架构的模型在多个基准测试中表现出色：

速度提升: FasterNet-T0在GPU、CPU和ARM处理器上的速度分别比MobileViT-XXS快2.8倍、3.3倍和2.4倍。
准确率提高: 在ImageNet-1k数据集上，FasterNet-L模型达到了83.5%的Top-1准确率，与Swin-B相当，同时在GPU上提高了36%的推理吞吐量，并在CPU上节省了37%的计算时间。

实验结果

论文通过一系列实验验证了PConv的有效性，结果表明：

FLOPS与延迟的关系: 许多现有网络的FLOPS较低，导致它们在实际应用中并不够快。PConv的引入有效解决了这一问题。
与其他模型的比较: FasterNet在速度和准确性上超越了其他主流目标检测器，如YOLOv7，显示出其在实际应用中的优势。

总结

论文《Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks》通过引入部分卷积（PConv）运算符，成功提升了神经网络的计算效率，强调了FLOPS的重要性。研究表明，单纯减少FLOPs并不能有效降低延迟，而提升FLOPS才是实现快速神经网络的关键。FasterNet的实验结果验证了这一理论，为未来的神经网络设计提供了新的思路和方法。

代码

import torch
from torch import nn
from torch import Tensor

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: Tensor) -> Tensor:
        # 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: Tensor) -> Tensor:
        # 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__":
    # 如果GPU可用，将模块移动到 GPU
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    # 输入张量 (batch_size, channels, height, width)
    x = torch.randn(1,32,40,40).to(device)
    # 初始化 pconv 模块
    dim=32
    block = Partial_conv3(dim,n_div=4,forward='slicing')
    print(block)
    block = block.to(device)
    # 前向传播
    output = block(x)
    print("输入:", x.shape)
    print("输出:", output.shape)