ShuffleNet网络结构
ShuffleNet是一种专为移动设备设计的、计算效率极高的卷积神经网络（CNN）架构。其网络结构的设计主要围绕减少计算复杂度和提高模型效率展开，通过引入逐点分组卷积（Pointwise Group Convolution）和通道洗牌（Channel Shuffle）两种新技术，实现了在保持精度的同时大幅降低计算成本。
逐点分组卷积（Pointwise Group Convolution）：
逐点分组卷积是ShuffleNet中用于减少1x1卷积计算复杂度的方法。它将输入特征图的通道分成多个组，每个组内的通道独立进行1x1卷积，从而显著降低了计算量。
然而，这种方法可能导致通道间的信息无法充分交流，影响模型的表达能力。可能会降低网络的特征提取能力。
通道洗牌（Channel Shuffle）：
为了解决逐点分组卷积带来的通道间信息交流不足的问题，ShuffleNet引入了通道洗牌操作。通过均匀地打乱不同分组中的通道，使得每个分组都能获得来自其他分组的信息，从而增强模型的特征提取能力。
ShuffleNet对ResNet中的Bottleneck结构进行由(a)到(b), ©的更改：
-
将开始和最后的
1×1卷积模块（降维、升维）改成Point Wise Group Convolution； -
为了进行不同通道的信息交流，再降维之后进行
Channel Shuffle； -
降采样模块中，
3×3 Depth Wise Convolution的步长设置为2，长宽降为原来的一般，因此shortcut中采用步长为2的3×3平均池化，并把相加改成拼接。
ShuffleV1Block
class ShuffleV1Block(nn.Cell):def __init__(self, inp, oup, group, first_group, mid_channels, ksize, stride):super(ShuffleV1Block, self).__init__()self.stride = stridepad = ksize // 2self.group = groupif stride == 2:outputs = oup - inpelse:outputs = oupself.relu = nn.ReLU()branch_main_1 = [GroupConv(in_channels=inp, out_channels=mid_channels,kernel_size=1, stride=1, pad_mode="pad", pad=0,groups=1 if first_group else group),nn.BatchNorm2d(mid_channels),nn.ReLU(),]branch_main_2 = [nn.Conv2d(mid_channels, mid_channels, kernel_size=ksize, stride=stride,pad_mode='pad', padding=pad, group=mid_channels,weight_init='xavier_uniform', has_bias=False),nn.BatchNorm2d(mid_channels),GroupConv(in_channels=mid_channels, out_channels=outputs,kernel_size=1, stride=1, pad_mode="pad", pad=0,groups=group),nn.BatchNorm2d(outputs),]self.branch_main_1 = nn.SequentialCell(branch_main_1)self.branch_main_2 = nn.SequentialCell(branch_main_2)if stride == 2:self.branch_proj = nn.AvgPool2d(kernel_size=3, stride=2, pad_mode='same')def construct(self, old_x):left = old_xright = old_xout = old_xright = self.branch_main_1(right)if self.group > 1:right = self.channel_shuffle(right)right = self.branch_main_2(right)if self.stride == 1:out = self.relu(left + right)elif self.stride == 2:left = self.branch_proj(left)out = ops.cat((left, right), 1)out = self.relu(out)return outdef channel_shuffle(self, x):batchsize, num_channels, height, width = ops.shape(x)group_channels = num_channels // self.groupx = ops.reshape(x, (batchsize, group_channels, self.group, height, width))x = ops.transpose(x, (0, 2, 1, 3, 4))x = ops.reshape(x, (batchsize, num_channels, height, width))return x
ShuffleNet的基本单元是在残差单元（residual block）的基础上改进而成的，具体结构如下：
1x1分组卷积：首先，输入特征图通过一个1x1的分组卷积进行降维，减少通道数。
通道洗牌：紧接着，对分组卷积的输出进行通道洗牌操作，以实现不同分组之间的信息交流。
3x3深度可分离卷积：然后，使用3x3的深度可分离卷积（depthwise separable convolution）进行特征提取。这里的3x3卷积是瓶颈层（bottleneck），用于降低计算量。
1x1分组卷积（可选）：最后，根据需要，可以通过另一个1x1的分组卷积将通道数恢复到与输入相同或更大的数量。
短路连接：在基本单元中，还包含短路连接（shortcut），用于将输入特征图直接加到输出特征图上，以保留原始信息并帮助梯度回传。
ShuffleNet网络结构如上图所示，以输入图像 224×224 ，组数3（g = 3）为例，首先通过数量24，卷积核大小为 3×3 ，stride为2的卷积层，输出特征图大小为 112×112 ，channel为24；然后通过stride为2的最大池化层，输出特征图大小为 56×56 ，channel数不变；再堆叠3个ShuffleNet模块（Stage2, Stage3, Stage4），三个模块分别重复4次、8次、4次，其中每个模块开始先经过一次下采样模块（上图©），使特征图长宽减半，channel翻倍（Stage2的下采样模块除外，将channel数从24变为240）；随后经过全局平均池化，输出大小为 1×1×960 ，再经过全连接层和softmax，得到分类概率。
ShuffleNetV1
class ShuffleNetV1(nn.Cell):def __init__(self, n_class=1000, model_size='2.0x', group=3):super(ShuffleNetV1, self).__init__()print('model size is ', model_size)self.stage_repeats = [4, 8, 4]self.model_size = model_sizeif group == 3:if model_size == '0.5x':self.stage_out_channels = [-1, 12, 120, 240, 480]elif model_size == '1.0x':self.stage_out_channels = [-1, 24, 240, 480, 960]elif model_size == '1.5x':self.stage_out_channels = [-1, 24, 360, 720, 1440]elif model_size == '2.0x':self.stage_out_channels = [-1, 48, 480, 960, 1920]else:raise NotImplementedErrorelif group == 8:if model_size == '0.5x':self.stage_out_channels = [-1, 16, 192, 384, 768]elif model_size == '1.0x':self.stage_out_channels = [-1, 24, 384, 768, 1536]elif model_size == '1.5x':self.stage_out_channels = [-1, 24, 576, 1152, 2304]elif model_size == '2.0x':self.stage_out_channels = [-1, 48, 768, 1536, 3072]else:raise NotImplementedErrorinput_channel = self.stage_out_channels[1]self.first_conv = nn.SequentialCell(nn.Conv2d(3, input_channel, 3, 2, 'pad', 1, weight_init='xavier_uniform', has_bias=False),nn.BatchNorm2d(input_channel),nn.ReLU(),)self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, pad_mode='same')features = []for idxstage in range(len(self.stage_repeats)):numrepeat = self.stage_repeats[idxstage]output_channel = self.stage_out_channels[idxstage + 2]for i in range(numrepeat):stride = 2 if i == 0 else 1first_group = idxstage == 0 and i == 0features.append(ShuffleV1Block(input_channel, output_channel,group=group, first_group=first_group,mid_channels=output_channel // 4, ksize=3, stride=stride))input_channel = output_channelself.features = nn.SequentialCell(features)self.globalpool = nn.AvgPool2d(7)self.classifier = nn.Dense(self.stage_out_channels[-1], n_class)def construct(self, x):x = self.first_conv(x)x = self.maxpool(x)x = self.features(x)x = self.globalpool(x)x = ops.reshape(x, (-1, self.stage_out_channels[-1]))x = self.classifier(x)return x
设置model_size="2.0x"，定义模型的复杂度。
net = ShuffleNetV1(model_size="2.0x", n_class=10)
