鱼羊 十三 发自 凹非寺

量子位 报道 | 公众号 QbitAI

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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最佳论文奖，至今仍难有后来者。

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