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 —
“
