大神（组团）出奇招，踢馆各路神经网络。
还是熟悉的团队，还是熟悉的署名，Facebook AI实验室，推陈出新挑战新的网络设计范式。
嗯，熟悉的Ross，熟悉的何恺明，他们带来全新的——RegNet。
不仅网络设计范式与当前主流“背道而驰”：简单、易理解的模型，也可以hold住高计算量。
而且在类似的条件下，性能还要优于EfficientNet，在GPU上的速度还提高了5倍！
新的网络设计范式，结合了手动设计网络和神经网络搜索 (NAS)的优点：
和手动设计网络一样，其目标是可解释性，可以描述一些简单网络的一般设计原则，并在各种设置中泛化。
又和NAS一样，能利用半自动过程，来找到易于理解、构建和泛化的简单模型。
论文毫无疑问也中了CVPR 2020。
PS：论文是3月30日在arXiv发布，So 大家不用担心是愚人节的玩笑……
三组实验对比，近乎“大满贯”
RegNet在性能上就是如此突出。
实验在ImageNet数据集上进行，目标非常清晰：挑战各种环境下的神经网络。
我们先来看下，与一众流行移动端神经网络的比较。
最近，许多网络设计工作都集中在移动机制(mobile regime，∼600MF)。
上表就是600MF的RegNet，与这些网络比较的结果。可以看出，无论是基于手动设计还是NAS的网络，RegNe的表现都很出色。
何恺明团队强调，RegNet模型使用基本的100 epoch调度(schedule)，除了权重衰减外，没有使用任何正则化。
而大多数移动网络使用更长的调度，并进行了各种增强，例如深度监督、Cutout、DropPath等等。
接下来，是RegNet与标准基线ResNet和ResNeXT的比较。
为了公平起见，研究人员在相同的训练设置下，对它们进行对比，如下图所示：
总体来看，通过优化网络结构，RegNet模型在所有复杂度指标下，都有了较大的改进。
研究人员还强调，良好的RegNet模型还适用于广泛的计算环境，包括ResNet和ResNeXT都不太适应的低计算环境。
在上表(a)中，展示了按照activation分组的比较。
研究人员将activation定义为所有conv层的输出张量的大小，它会对像GPU这样的加速程度运行有较大的影响。
研究人员表示，这样设置的意义非常大，因为模型训练时间是一个瓶颈。未来可能在自动驾驶这样场景中，对改进推理时间有所帮助。给定固定的推理或训练时间，RegNet非常有效。
而在上表(b)中，展示了按照flops分组的比较。
最后，是RegNet与EfficientNet的比较。
EfficientNet，代表了当前最流行的技术，对比结果如下图所示：
可以看到，在flops较低时，EfficientNet还有优势，但是随着flops的增大，RegNetX和RegNetY逐渐发力。
除此之外，何恺明团队发现，对于EfficentNet，activation与flops成线性关系；而对于RegNet，activation与flops的平方根成线性关系。
这就导致了EfficiententNet的GPU训练和推断速度变慢。而RegNeTX-8000比Efficient entNet-B5 快5倍，同时具有更低的误差，如下表所示：
如此性能，接下来问题来了，RegNet 究竟怎样炼成？
先构建网络设计空间
这里首先介绍一下 Radosavovic 等人提出的网络设计空间（network design spaces）概念。
其核心思想是，可以在设计空间中对模型进行采样，从而产生模型分布，并可以使用经典统计学中的工具来分析设计空间。
在何恺明团队的这项研究中，研究人员提出，设计一个不受限制的初始设计空间的逐步简化版本。这一过程，就称为设计空间设计（design space design）。
在设计过程的每个步骤中，输入都是初始设计空间，输出则是更简单、或性能更好的模型的精简模型。
通过对模型进行采样，并检查其误差分布，即可表征设计空间的质量。
比如，在上图中，从初始设计空间A开始，应用2个优化步骤来生成设计空间B，然后是C。
C⊆B⊆A，可以看到，从A到B再到C，误差分布逐渐改善。
也就是说，每个设计步骤的目的，都是为了发现能够产生更简单、更有效模型的设计原理。
研究人员设计的初始设计空间是AnyNet。
网络基本设计很简单：主干（步幅为 2 的 3×3 卷积，32个输出通道）+ 执行大量计算的网络主体 + 预测输出类别的头（平均池化，接着完全连接层）。
网络主体由一系列阶段组成，这些阶段以逐渐降低的分辨率运行。
除了第一个区块（使用 2 步长卷积）以外，每个阶段都包含一系列相同的区块。
虽然总体结构很简单，但 AnyNet 设计空间中可能存在的网络总数很庞大。
实验大多使用带有分组卷积的标准残差瓶颈块，研究人员称其为X block，在其基础上构建的 AnyNet 设计空间称为 AnyNetX。
在 AnyNetX 上，研究人员旨在实现4个目的：
简化设计空间结构提高设计空间的可解释性改善或维持设计空间的质量保持设计空间的模型多样性于是，将初始的 AnyNetX 称作 AnyNetXA，开始进行“A→B→C→D→E”的优化过程。
首先，针对 AnyNetXA 设计空间的所有阶段，测试共享瓶颈率（bottleneck ratio）bi = b，将得到的设计空间成为 AnyNetXB。
同样，在相同设置下，从 AnyNetXB 采样并训练 500 个模型。
AnyNetXA 和 AnyNetXB 在平均情况和最佳情况下，EDF几乎不变。说明耦合 bi 时精度没有损失。并且，AnyNetXB 更易于分析。
紧接着，从AnyNetXB开始，为所有阶段使用共享组宽度(shared group width)，来获得 AnyNetXC。
与前面一样，EDF几乎没有发生变化。
而后，研究人员在 AnyNetXC 中检验好网络和坏网络的典型网络结构。
他们发现：好网络的宽度是呈增长态势的。
于是，他们加入了设计原则 wi + 1 ≥ wi，将具有此约束条件的设计空间称为 AnyNetXD。
这大大改善了EDF。
△左：AnyNetXD，右：AnyNetXE
对于最佳模型，不仅仅是阶段宽度 wi 在增加，研究人员发现，阶段深度 di 也有同样的趋势，最后一阶段除外。
于是，在加入 di + 1 ≥ di 的约束条件之后，结果再一次改善。即 AnyNetXE。
在对 AnyNetXE 的进一步观察中，就引出了 RegNet 的一个核心观点：好网络的宽度和深度是可以用量化的线性函数来解释的。
从 AnyNetXA 到 RegNetX，维度从16维降至6维，尺寸减小了近10个数量级。
从下图中可以看出，RegNetX 中的模型相比于 AnyNetX 中的模型，平均误差更低。并且，RegNetX 的随机搜索效率要高得多，搜索约32个随机模型就能产生好的模型。
设计空间泛化
一开始，为了提高效率，研究人员以低计算量、low-epoch 的训练方式设计了 RegNet 设计空间。
但是，他们的目标不是针对某一特定环境，而是发现网络设计的一般原理。
于是，他们在更高的 flops、更高的 epoch 的 5 步长网络中，以及各种不同类型的区块中，比较了 RegNetX 和 AnyNetXA、AnyNetXE。
在所有情况下，设计空间都没有出现过拟合现象。
也就是说，RegNet 具有良好的泛化能力。
最后，还是照惯例来介绍下这支AI研究梦之队吧。
熟悉的面孔，熟悉的团队
Ross和何恺明，这个组合很熟悉了。
这次的五位作者，全部来自Facebook AI研究院。
论文一作，Ilija Radosavovic，伦敦帝国理工学院本科生助教，曾在Facebook实习。
Raj Prateek Kosaraju和Ross Girshick，博士分别毕业于佐治亚理工学院和芝加哥大学，都是FAIR计算机视觉方向的科学家。
最后一位作者Piotr Dollar，博士毕业于美国加州大学圣迭戈分校，目前也就职于FAIR。
中国人民最熟悉的自然是天才AI研究员何恺明了。
而且此次何恺明团队提出的RegNet，从名字上看，也神似自己当年的力作——ResNet——2016年CVPR最佳论文奖。
除此之外，Kaiming大神也分别在2009年和2017年，获得了CVPR和ICCV最佳论文奖，至今仍难有后来者。
(继续膜拜ing……)
有意思的是，在此次研究中，还以ResNet作为了基线做对比。
不过也不意外，从近几年的研究来看，何恺明也在不断突破自己以前的方法、研究。
在超越何恺明的道路上，目前跑得最快的，依然是何恺明自己。
嗯，大神的快乐，就是这么朴实无华，且低调。
我们先膜为敬，如何评价RegNet就留给大家啦~
传送门
论文地址：https://arxiv.org/pdf/2003.13678.pdf
— 完 —
“
