深度学习之图像分类（三十）Hire-MLP网络详解
一晃都学习了三十个网络了，时间过得真快。本次学习华为提出的 Hire-MLP，依然是通过旋转特征图，将不同位置的特征对齐到同一个通道上从而实现 MLP-based Model 中的局部感受野依赖。
1. 前言
本此学习华为诺亚&北大&悉尼大学联合提出的 HireMLP。关于 MLP-Mixer 的两大主要问题我们已经在前面的学习中阐述了很多遍：对于 Token 进行全局感受野卷积，容易过拟合且对图像尺寸敏感，无法作为 Backbone 用于下游任务。Hire-MLP 也提出：如何在 MLP-based 模型中结合局部感受野和全局感受野，同时对图像输入分辨率不敏感是值得探索的地方。为了对输入图像尺寸不敏感，要不使用固定尺寸小卷积核（例如 $3 \times 3$ 的DW Conv）；或者就是移动特征图，使得不同 token 对齐到同一个通道上，然后使用 $1 \times 1$ 卷积来实现局部感受野，即不同 token 之间的信息融合。Hire-MLP 也是一样的思路，通过移动特征图(本工作称之为区域重排 Region Rearrangement)，从而实现局部信息的整合。本工作的原始论文为 Hire-MLP: Vision MLP via Hierarchical Rearrangement。2021.8.30 挂上 arXiv，代码并未开源。最终在 ImageNet 上达到了 83.4% 的 Top-1 精度，这与 SOTA 的 Swin Transformer 等相当。虽然 Hire-MLP 结构上对下游任务友好，但是本文并没有将其应用于下游任务，从而不清楚其真实性能。
从结果可见：
- Hire-MLP-S 取得了 81.8% 的精度，而计算量仅为 4.2G Flops，优于其他 MLP 方案。相比 AS-MLP、CycleMLP，所提 Hire-MLP 性能更佳。
- Hire-MLP-B 与 Hire-MLP-L 分别取得了 83.1% 与 83.4% 的精度，而计算量分别为 8.1G 与 13.5G。
- 相比 DeiT、Swin 以及 PVT，所提方案具有更快的推理速度；
- 相比 RegNetY，所提方案具有更高的精度，同时具有相似的模型大小和复杂度。
- 相比AS-MLP，Hire-MLP好像并没有什么优势，性能相当，速度反而AS-MLP更快 。（AS-MLP 源代码的 Shift 操作是用 cupy 库自己编程实现的，可能会有影响）
2. Hire-MLP
这次讲解我先讲局部 Hire-MLP Block 结构，再描述网络的整体结构。
2.1 Hire-MLP Block
单个 Hire-MLP Block 依然是分为 Token-mixing MLP 和 Channel mixing MLP，其中作者主要的贡献点在于替换 MLP-mixer 的 Token-mixing MLP 为 Hire-Module。所以整个 Hire-MLP Block 可以描述为： \(\begin{aligned} &Y=\text { Hire-Module }(\operatorname{LN}(X))+X \\ &Z=\text { Channel-MLP }(\operatorname{LN}(Y))+Y \end{aligned}\) Channel MLP 就是最普通的两层全连接，中间使用 GELU 激活函数，第一层全连接结点个数一般为输入结点个数的 2，3 或者 4 倍。或者可以直接称之为通道方向的 $1 \times 1$ 卷积。
Hire-Module 的内部结构如下图所示，其中包含三条支路，分别是对于 H 方向的重排，W 方向的重排，以及通道方向的映射：
重排分为两类：Cross-Region 以及 Inner-Region。
2.1.1 Inner-Region
Height-direction 的 Inner-Region 其实就是对特征图进行 H 维度的分组，然后将其切分开之后堆叠到通道维度。这里 $H$ 为原始特征图的高度，$h$ 为每一小组内特征图的高度。即对于一个 $H \times W \times C$ 的特征图可以分成 $g = H / h$ 组，每组的特征图大小为 $h \times W \times C$，然后对特征图进行重排得到 $g \times W \times (hC)$，此后做 $hC->hC$ 的映射。映射结束后，再还原到 $H \times W \times C$ 的特征图即可。可视化流程如下所示：
具体的映射其实是依赖两个全连接和一个 GELU 激活函数构成的，论文中作者将第一个全连接层的阶段设定为 $C / 2$ 用于降维和减少计算量。其实也可以只依赖两个 $1 \times 1$ 卷积加以实现。
Inner-Region 重排其实可以只需要依赖 einops 库的 Rearrange 即可方便完成：
import torch
from torch import nn
from einops.layers.torch import Rearrange, Reduce
class InnerRegionW(nn.Module):
def __init__(self, w):
super().__init__()
self.w = w
self.region = nn.Sequential(
Rearrange('b c h (w group) -> b (c w) h group', w = self.w) # 重排
)
def forward(self, x):
return self.region(x)
class InnerRegionRestoreW(nn.Module):
def __init__(self, w):
super().__init__()
self.w = w
self.region = nn.Sequential(
Rearrange('b (c w) h group -> b c h (w group)', w = self.w) # 恢复
)
def forward(self, x):
return self.region(x)
model1 = InnerRegionW(w = 2)
model2 = InnerRegionRestoreW(w = 2)
images = torch.randn(1, 1, 4, 4)
print(images)
print("==============================")
with torch.no_grad():
output1 = model1(images)
output2 = model2(output1)
print("=========== output1 ==============")
print(output1)
print("=========== output2 ==============")
print(output2)
2.1.2 Cross-Region
单个方向的 Inner-Region 产生的是特定的一维线性感受野，即将 $h \times w$ 拆分成 $1 \times w$ 和 $h \times 1$ 的形式，由于输入是 $224 \times 224$ 的方图，所以一般配置中 $h = w$。并且 Inner-Region 的空间位置相对固定，即和 Swin 分窗一样，窗口固定了，则窗口处理始终对应的都是固定的区域。为了使得不同窗内的 Token 有交互，需要移动窗，或者说需要旋转特征图。这就引发了 Cross-Region。请联系 Swin 一起思考，则容易理解多了。
Height-direction 的 Inner-Region 其实就是对特征图进行 H 维度的转动，转动的步长设定为 $s$ ，通常 $s$ 取 1 或者 2。Cross-Region 操作被加在 Inner-Region 前后。实际上并不是每个 Inner-Region 前后都添加 Cross-Region，因为每一个都添加一样的 Cross-Region 其实等于没有添加。所以原文中作者是隔一个添加一个，隔一个添加一个。To get a global receptive field, the cross-region rearrangement operations are inserted before the inner-region rearrangement operation every two blocks. 但是作者将这个称为全局感受野我其实是不太认同的，毕竟 $s$ 太小了，只不过边界地区挨到一起来罢了，这其实也是局部感受野而已…
Cross-Region 重排其实可以只需要依赖 torch.roll 即可方便完成：
import torch
from torch import nn
from einops.layers.torch import Rearrange, Reduce
class CrossRegion(nn.Module):
def __init__(self, step = 1, dim = 1):
super().__init__()
self.step = step
self.dim = dim
def forward(self, x):
return torch.roll(x, self.step, self.dim)
model1 = CrossRegion(step = 2, dim = 3)
model2 = CrossRegion(step = -2, dim = 3)
model3 = CrossRegion(step = 1, dim = 2)
model4 = CrossRegion(step = -1, dim = 2)
images = torch.randn(1, 1, 5, 5)
print(images)
print("==============================")
with torch.no_grad():
output1 = model1(images)
output2 = model2(images)
output3 = model3(images)
output4 = model4(images)
print("=========== output1 ==============")
print(output1)
print("=========== output2 ==============")
print(output2)
print("=========== output3 ==============")
print(output3)
print("=========== output4 ==============")
print(output4)
2.1.3 特征融合
在 Hire-Module 中有三个并行的支路，第三条之路只需要通过一个 $C -> C$ 的单层全连接层映射。最后三条支路的特征图直接加和即可获得最终的融合特征图。其实用一下 Split-Attention 或者如 sMLPNet 说的通道拼接后经过 $1 \times 1$ 卷积降维可能还会涨点，不过计算量会有所增加。所以最终不难分析得到 Hire-Module 是一个十字形的感受野。整个 Hire-MLP Block 的推理逻辑如下所示：
def forward(self, x):
x_h = self.inner_regionH(self.cross_regionH(x)) # 重排
x_w = self.inner_regionW(self.cross_regionW(x)) # 重排
x_h = self.proj_h(x_h) # 映射
x_w = self.proj_w(x_w) # 映射
x_c = self.proj_c(x) # 映射
x_h = self.cross_region_restoreH(self.inner_region_restoreH(x_h)) # 恢复
x_w = self.cross_region_restoreW(self.inner_region_restoreW(x_w)) # 恢复
out = x_c + x_h + x_w # 特征融合
return out
2.1.4 HireMLP 和 ViP，AS-MLP 的区别？
HireMLP 和 ViP 有区别吗？在我看来没有本质区别，ViP 也是分组重排操作。ViP 更复杂地使用了 Split-Attention 和残差；HireMLP 则是将中间的映射改为两层全连接。HireMLP 作者说 Inspired by the shortcut in ResNet and ViP, an extra branch without spatial communication is alse added ...，但是看起来似乎不仅仅是像他们一样添加一个 extra branch without spatial communication 这么简单，而是整个模块其实思想都是惊人的一致。至于说指标报告方面 HireMLP 高了那么 0.2%，会不会是因为两层全连接导致的？尚不可而知。不过相比 ViP 的重排，能肉眼可见的改进就是这个地方了。
HireMLP 和 AS-MLP 有区别吗？在我看来没有本质区别，AS-MLP 也是十字形感受野，不过是位移的实现方式上有所不同。整体而言都是类似的。相比AS-MLP，Hire-MLP好像并没有什么优势，性能相当，速度反而AS-MLP更快。所以说：在特征图移动上玩花似乎已经走到头了，玩不出什么花来了。
2.2 整体网络结构
Hire-MLP 的 Patch Embedding 很有特色，使用卷积核大小为 $7 \times 7$ ，步长为 4 的卷积。相比而言 Swin 使用卷积核大小为 $4 \times 4$，步长为 4 的卷积。在近期的我自己的小实验中也发现：Patch Embedding 时具有重叠会更好，这样可以避免边界效应并在小数据集上提升性能。Hire-MLP 中间采用多阶段金字塔模型，总共分为 4 个阶段，每个阶段交替重复使用 Hire-MLP Block。下采样使用卷积核大小为 $3 \times 3$，步长为 2 的卷积，这样做也有重叠。最后经过全局池化后连接一个全连接分类器即可，其网络结构图如下所示：
作者一共提出来了四种配置：
大家注意这四种配置，其中 Hire-MLP Block 中 $h,w,s$ 的取值一样的。$h,w$ 指 Inner-Region 中分小组内 H 或者 W 维度的大小，$s$ 指 Cross-Region 处旋转的步长。注意到 $H$ 不一定整除 $h$，让我们以 Base 为例，作者在训练 ImageNet 的时候以 $224 \times 224$ 的图片作为输入，经过第一个 Patch Embedding 之后，假设作者 kernel size = 7， stride = 4，假设使用了 padding = 3，则此后特征图大小为 $56 \times 56 \times 64$。此后在 Stage 1 中 $h = w = 4$，即在 Inner-Region 中可以分为 $56 / 4 = 14$ 组，特征图可以重排为 $14 \times 56 \times 256$，然后做 $256 -> 32 -> 256$ 的映射 ($hC -> C/2 -> hC$)，看上去没什么问题。经过下采样的 Patch Embedding，kernel size = 3，stride = 2，假设使用了 padding = 1，则此后特征图大小为 $28 \times 28 \times 128$。这里 28 根本不是 3 的倍数，所以需要进行 padding 操作。作者通过对比发现 Circular padding 是最好的，但是 padding 类别其实对结果的影响并不大。
3. 消融实验
作者一共进行了多组消融实验：
- Inner-Region 中 $h, w$ 的影响：作者发现浅层使用大一点点的 $h,w$，深层使用小一点的 $h, w$ 效果更好，最终使用 $h = w = [4,3,3,2]$
- Cross-Region 中 $s$ 的影响：作者发现浅层使用大一点点的 $s$，深层使用小一点的 $s$ 效果更好，最终使用 $s = [2,2,1,1]$，所以其实 Cross-Region 并没有实现大感受野信息交换…
- 不同 padding 策略的影响：最终发现padding 类别其实对结果的影响并不大，Circular padding 效果略好。
- Hire Module 中不同模块的作用效果：可见去除 Inner-Region 或者 Cross-Region 性能都会下降，其中 Inner-Region 有关局部感受野，去除了只剩下 Cross-Region 其实等价于朴素的只有通道方向的映射，所以性能影响更大。但是只有通道方向的映射，真的作者能做到 79.81% 吗？我持保留意见！
- Cross-Region 的 shift 方式：作者比较了直接旋转的 Shifted manner 与 ShuffleNet 那样的分组的方式，最终发现 Shifted manner 会更好，这也符合直觉，因为图像中随机膈几列选一列的做法其实局部性并不保证了。可见局部性还是比较重要的。但是真的性能只差一丝丝吗？
4. 总结与反思
Hire-MLP 其实依然是使用特征图移动，使得不同空间位置的 token 对齐到统一通道，然后使用通道方向的 $1 \times 1$ 卷积实现的局部依赖性引入和对图像分辨率不敏感，这种思想在过去的诸多工作例如 AS-MLP 以及 ViP，S2MLPv2 等中均可看到，所以并不是什么新鲜的贡献。此外作者说 Hire-MLP 对下游任务友好，但是并没有进行实验让人有点点失望。本工作暂未开源，所报告性能我持怀疑态度，因为作者消融实验中去除 Inner-Region 只保留 Cross-Region 其实可看作仅有 Channel 方向 $1 \times 1$ 卷积的网络，也能达到 79.81%？比 MLP-Mixer 的 76+% 还高？
5. 代码
我自己实现的非官方 pytorch 代码见 此处，欢迎与大家自己复现的进行交流。
import torch
from torch import nn
from functools import partial
from einops.layers.torch import Rearrange, Reduce
from .utils import pair
class PreNormResidual(nn.Module):
def __init__(self, dim, fn, norm = nn.LayerNorm):
super().__init__()
self.fn = fn
self.norm = norm(dim)
def forward(self, x):
return self.fn(self.norm(x)) + x
class PatchEmbedding(nn.Module):
def __init__(self, dim_in, dim_out, kernel_size, stride, padding, norm_layer=False):
super().__init__()
self.reduction = nn.Sequential(
nn.Conv2d(dim_in, dim_out, kernel_size=kernel_size, stride=stride, padding = padding),
nn.Identity() if (not norm_layer) else nn.Sequential(
Rearrange('b c h w -> b h w c'),
nn.LayerNorm(dim_out),
Rearrange('b h w c -> b c h w'),
)
)
def forward(self, x):
return self.reduction(x)
class FeedForward(nn.Module):
def __init__(self, dim_in, hidden_dim, dim_out):
super().__init__()
self.net = nn.Sequential(
nn.Conv2d(dim_in, hidden_dim, kernel_size = 1),
nn.GELU(),
nn.Conv2d(hidden_dim, dim_out, kernel_size = 1),
)
def forward(self, x):
return self.net(x)
class CrossRegion(nn.Module):
def __init__(self, step = 1, dim = 1):
super().__init__()
self.step = step
self.dim = dim
def forward(self, x):
return torch.roll(x, self.step, self.dim)
class InnerRegionW(nn.Module):
def __init__(self, w):
super().__init__()
self.w = w
self.region = nn.Sequential(
Rearrange('b c h (w group) -> b (c w) h group', w = self.w)
)
def forward(self, x):
return self.region(x)
class InnerRegionH(nn.Module):
def __init__(self, h):
super().__init__()
self.h = h
self.region = nn.Sequential(
Rearrange('b c (h group) w -> b (c h) group w', h = self.h)
)
def forward(self, x):
return self.region(x)
class InnerRegionRestoreW(nn.Module):
def __init__(self, w):
super().__init__()
self.w = w
self.region = nn.Sequential(
Rearrange('b (c w) h group -> b c h (w group)', w = self.w)
)
def forward(self, x):
return self.region(x)
class InnerRegionRestoreH(nn.Module):
def __init__(self, h):
super().__init__()
self.h = h
self.region = nn.Sequential(
Rearrange('b (c h) group w -> b c (h group) w', h = self.h)
)
def forward(self, x):
return self.region(x)
class HireMLPBlock(nn.Module):
def __init__(self, h, w, d_model, cross_region_step = 1, cross_region_id = 0, cross_region_interval = 2, padding_type = 'circular'):
super().__init__()
assert (padding_type in ['constant', 'reflect', 'replicate', 'circular'])
self.padding_type = padding_type
self.w = w
self.h = h
# cross region every cross_region_interval HireMLPBlock
self.cross_region = (cross_region_id % cross_region_interval == 0)
if self.cross_region:
self.cross_regionW = CrossRegion(step = cross_region_step, dim = 3)
self.cross_regionH = CrossRegion(step = cross_region_step, dim = 2)
self.cross_region_restoreW = CrossRegion(step = -cross_region_step, dim = 3)
self.cross_region_restoreH = CrossRegion(step = -cross_region_step, dim = 3)
else:
self.cross_regionW = nn.Identity()
self.cross_regionH = nn.Identity()
self.cross_region_restoreW = nn.Identity()
self.cross_region_restoreH = nn.Identity()
self.inner_regionW = InnerRegionW(w)
self.inner_regionH = InnerRegionH(h)
self.inner_region_restoreW = InnerRegionRestoreW(w)
self.inner_region_restoreH = InnerRegionRestoreH(h)
self.proj_h = FeedForward(h * d_model, d_model // 2, h * d_model)
self.proj_w = FeedForward(w * d_model, d_model // 2, w * d_model)
self.proj_c = nn.Conv2d(d_model, d_model, kernel_size = 1)
def forward(self, x):
x = x.permute(0, 3, 1, 2)
B, C, H, W = x.shape
padding_num_w = W % self.w
padding_num_h = H % self.h
x = nn.functional.pad(x, (0, self.w - padding_num_w, 0, self.h - padding_num_h), self.padding_type)
x_h = self.inner_regionH(self.cross_regionH(x))
x_w = self.inner_regionW(self.cross_regionW(x))
x_h = self.proj_h(x_h)
x_w = self.proj_w(x_w)
x_c = self.proj_c(x)
x_h = self.cross_region_restoreH(self.inner_region_restoreH(x_h))
x_w = self.cross_region_restoreW(self.inner_region_restoreW(x_w))
out = x_c + x_h + x_w
out = out[:,:,0:H,0:W]
out = out.permute(0, 2, 3, 1)
return out
class HireMLPStage(nn.Module):
def __init__(self, h, w, d_model_in, d_model_out, depth, cross_region_step, cross_region_interval, expansion_factor = 2, dropout = 0., pooling = False, padding_type = 'circular'):
super().__init__()
self.pooling = pooling
self.patch_merge = nn.Sequential(
Rearrange('b h w c -> b c h w'),
PatchEmbedding(d_model_in, d_model_out, kernel_size = 3, stride = 2, padding=1, norm_layer=False),
Rearrange('b c h w -> b h w c'),
)
self.model = nn.Sequential(
*[nn.Sequential(
PreNormResidual(d_model_in, nn.Sequential(
HireMLPBlock(
h, w, d_model_in, cross_region_step = cross_region_step, cross_region_id = i_depth + 1, cross_region_interval = cross_region_interval, padding_type = padding_type
)
), norm = nn.LayerNorm),
PreNormResidual(d_model_in, nn.Sequential(
nn.Linear(d_model_in, d_model_in * expansion_factor),
nn.GELU(),
nn.Dropout(dropout),
nn.Linear(d_model_in * expansion_factor, d_model_in),
nn.Dropout(dropout),
), norm = nn.LayerNorm),
) for i_depth in range(depth)]
)
def forward(self, x):
x = self.model(x)
if self.pooling:
x = self.patch_merge(x)
return x
class HireMLP(nn.Module):
def __init__(
self,
patch_size=4,
in_channels=3,
num_classes=1000,
d_model=[64, 128, 320, 512],
h = [4,3,3,2],
w = [4,3,3,2],
cross_region_step = [2,2,1,1],
cross_region_interval = 2,
depth=[4,6,24,3],
expansion_factor = 2,
patcher_norm = False,
padding_type = 'circular',
):
patch_size = pair(patch_size)
super().__init__()
self.patcher = PatchEmbedding(dim_in = in_channels, dim_out = d_model[0], kernel_size = 7, stride = patch_size, padding = 3, norm_layer=patcher_norm)
self.layers = nn.ModuleList()
for i_layer in range(len(depth)):
i_depth = depth[i_layer]
i_stage = HireMLPStage(h[i_layer], w[i_layer], d_model[i_layer], d_model_out = d_model[i_layer + 1] if (i_layer + 1 < len(depth)) else d_model[-1],
depth = i_depth, cross_region_step = cross_region_step[i_layer], cross_region_interval = cross_region_interval,
expansion_factor = expansion_factor, pooling = ((i_layer + 1) < len(depth)), padding_type = padding_type)
self.layers.append(i_stage)
self.mlp_head = nn.Sequential(
nn.LayerNorm(d_model[-1]),
Reduce('b h w c -> b c', 'mean'),
nn.Linear(d_model[-1], num_classes)
)
def forward(self, x):
embedding = self.patcher(x)
embedding = embedding.permute(0, 2, 3, 1)
for layer in self.layers:
embedding = layer(embedding)
out = self.mlp_head(embedding)
return out