CNN经典模型VGG自2014年诞生以来，由于相比于各种多分支架构（如ResNet） 性能不佳，已渐“没落”……
但来自清华大学和旷视科技等机构的研究人员，他们居然只用3×3卷积和ReLU激活函数的超级简单架构，通过结构重参数化 （structural re-parameterization），就让这个7年前的老架构再次“容光焕发”！Great Again！
简单到什么程度？研究人员表示：
下午5点看完文章，晚饭前就能写完代码开始训练，第二天就能看到结果。如果没时间看完这篇文章，只要点开GitHub上的代码，看完前100行就可以完全搞明白。
新架构RepVGG结合了多分支架构和单路架构的优点，在速度和性能上直达SOTA，在ImageNet上精度超过80%!
相关论文已被CVPR 2021接收，开源预训练模型和代码在GitHub上也已收获1700+ 标星！
兼顾多分支和单路架构的优点
一个已经快要“没落”的老模型，为什么还要重新捡起利用？
研究人员介绍道，因为简单的VGG式模型（单路架构、仅使用3×3卷积和ReLU激活函数）有五大现实优势：
1、3×3卷积非常快。在GPU上，3×3卷积的计算密度（理论运算量除以所用时间）可达1×1和5×5卷积的四倍。
2、单路架构因为并行度高也非常快。同样的计算量，“大而整”的运算效率远超“小而碎”的运算。
3、单路架构省内存。例如，ResNet的shortcut虽然不占计算量，却增加了一倍的显存占用。
4、单路架构灵活性更好，容易改变各层的宽度（如剪枝）。5、RepVGG主体部分只有一种算子：3×3卷积接ReLU。在设计专用芯片时，给定芯片尺寸或造价，我们可以集成海量的3×3卷积-ReLU计算单元来达到很高的效率。别忘了，单路架构省内存的特性也可以帮我们少做存储单元。
由于多分支架构性能更好，为了让新架构RepVGG兼顾两者优点，他们提出一个新的做法：先训练一个多分支模型，然后将多分支模型等价转换为单路模型，最后部署这个单路模型。
具体来说，首先借鉴ResNet的做法，在训练时为每一个3×3卷积层添加平行的1×1卷积分支和恒等映射分支，构成一个RepVGG Block。
然后需将RepVGG Block转换为一个卷积，也就是将训练好的模型等价转换为只有3×3卷积的单路模型。
怎么转换？结构重参数化！
如上图，利用卷积的相加性，需经过两次变换。
示例中，输入输出通道数都是2，那3×3卷积核所对应的参数矩阵为2x2x3x3，也就是4个3×3矩阵，1×1卷积核对应的参数矩阵为2x2x1x1，也就是4个1×1矩阵，为了画图方便换成1个2×2矩阵。
把1×1卷积等价转换为3×3卷积，只要用0填充一下就行了。
而恒等映射是一个特殊（以单位矩阵为卷积核）的1×1卷积，因此也是一个特殊的3×3卷积。
以上三个分支都有BN（batch normalization）层，推理时的卷积层和其后的BN层可转换为一个带bias的卷积层。
最后，将三分支得到的卷积核和bias分别相加，完成等价转换为只有3×3卷积的单路模型。
从这一转换过程中，我们看到了“结构重参数化”的实质：训练时的结构对应一组参数，推理时我们想要的结构对应另一组参数；只要能把前者的参数等价转换为后者，就可以将前者的结构等价转换为后者。
不少人都称赞这篇论文的思路非常有意思，简单易懂，让人眼前一亮！
效果确实也非常不错——
速度和精度达SOTA
RepVGG这样只用3×3卷积和ReLU激活函数的简单架构，特别适用于GPU和特殊推理芯片（inference chips）。
研究人员在1080Ti上对RepVGG进行了测试。在公平的训练设定下，同精度的RepVGG速度是ResNet-50的183%，ResNet-101的201%，EfficientNet的259%，RegNet的131%。
在Cityscapes上的语义分割实验表明，在速度更快的情况下，RepVGG模型比ResNet系列高约1%到1.7%的mIoU，或在mIoU高0.37%的情况下速度快62%。
通过结构重参数化，RepVGG在ImageNet上达到了80.57%的top1精度，与最先进的复杂模型相比，速度-精度都非常出色。
关于作者
论文一作：丁霄汉，清华大学计算机视觉博士生，研究方向是计算机视觉和机器学习。在CVPR、ICML、ICCV、NeurIPS作为第一作者发表论文5篇。曾获得第七届百度奖学金荣誉——“十位顶尖 AI 学子”之一。
论文二作：张详雨，旷视科技旷视研究院base model组负责人，西安交大博士生。曾在微软亚洲研究院实习，是ResNet的主要作者之一。
论文三作：马宁宁，香港科技大学与旷视联合培养博士，主要研究方向为计算机视觉和高性能卷积神经网络。
论文地址：https://arxiv.org/abs/2101.03697
GitHub地址：https://github.com/DingXiaoH/RepVGG
参考链接：
[1]https://www.reddit.com/r/MachineLearning/comments/nqflsp/rrepvgg_making_vggstyle_convnets_great_again/
[2]https://zhuanlan.zhihu.com/p/344324470
“
