小米AutoML团队发布最新成果MoGA，性能超谷歌MobileNetV3 作者 | 安静怡 编辑 | Natalie AI 前线导读： 北京时间 8 月 6 日，小米 AI 实验室 AutoML 团队对外展示最新研究成果：MoGA（作者：初祥祥，张勃，许瑞军）。据了解，该模型超过了由 Google Brain 联合 Google AI 团队的代表作 MobileNetV3（谷歌官方尚未公开模型源码）。同时，小米方面称：该模型为真实场景所使用设备深度定制，可直接服务于手机端视觉产品。 更多优质内容请关注微信公众号“AI 前线”（ID：ai-front） 作为 Google Brain 首席科学家 Quoc Le 团队联合 Google AI 的一流团队顶级成果，MobileNet 三部曲最新番 MobileNetV3，5 月份一出江湖便备受瞩目，Github 上复现者层出不穷。 在谷歌还未放出 V3 之时，小米 AutoML 团队推出 MoGA（https://github.com/xiaomi-automl/MoGA）。在 ImageNet 1K 分类任务 200M 量级从移动端 GPU 维度超过 V3 和 FairNAS。方法基于 FairNAS 改进，且结果胜过 FairNAS。 本文第一个新颖点是 Mobile GPU-Aware（MoGA），即从实际使用角度，设计移动端 GPU 敏感的模型。过去的研究普遍只考虑移动端 CPU 的延迟，但实际使用的时候往往都运行在 GPU 上，两者的延迟并非简单的线性，不仅和硬件相关，还是框架实现相关，参见 Fig2 根据采用的搜索空间中随机采样的 100 个模型对应的 CPU/GPU 运行时间绘制的散点图。 本文的搜索空间（Search Space，SS）是基于最新版的 MnasNet，融入了 squeeze-and-excitation 模块，MobileNetV3 也采用这个 SS，而且加入 Hswish 非线性激活，MoGA 因此保持了 V3 的各层输入输出和激活单元。另外，在 FairNAS 基础上，MoGA 每层的可选择运算模块（choice block）从 6 个增加到了 12 个，超网的训练依然很快收敛。 文章的第二个新颖点来自于对 Mobilenet 三部曲的分析，从 V1 到 V3，各项指标均在提升，但模型参数量反而增多。这对设计多目标的优化条件给出了方向。文章认为，除了业务指标 Top-1 Acc，模型在设备端的运行时间是作为衡量模型的关键指标，而非乘加数，所以在目标中剔除乘加数。另外，之前的方法都是在尽量压缩参数量，这对多目标优化极为不利。在非损人不能利己的帕累托边界上，必须有舍才有得。文章认为，参数量是模型能力的表征，所以 选择鼓励增加参数量反而能增大搜索范围，从而获得高参数但低时延的模型。 文章比较了 MoGA 三款模型在移动端 CPU 和 GPU 的各算子占比统计，证实了相同模型对不同的硬件上表现并不相同，Depthwise 和普通卷积在 CPU 上要花更多的比重，而 Elementwise 操作在 GPU 上要花更多时间。 文章的第三个不同之处是用加权的 NSGA-2 处理多目标优化。从实际使用角度出发，第一业务指标和运行速度是最重要的，所以对于多个目标也需要区别对待。本文采用了 2:2:1 的比重（acc, latency, params）。 NAS 方法基于先前的 FairNAS，引入了查表方式的 GPU latency，加权 NSGA-II，对 FairNAS 进行了迭代更新。 表 2 给出了 MoGA-A 的结构，可以看出在各层输入输出，还有下采样点及激活单元的使用上是对齐了 MobileNetV3。 图 9 给出了三款模型 MoGA-A,B,C 的可视化展示。 表 3 是对当前同量级 SOTA 模型的对比。MoGA-C 比 MobileNetV3 Large 有更高的精度，更短的移动端 GPU 时延（SNPE、MACE 结果一致），从 SNPE 结果看， MoGA-B 也超过了 V3，所以本文揭示了不仅要 GPU-Aware，还需要 Framework-aware，不同的框架对模型也有不同的要求。另外 300M 模型 MoGA-A 也是再次刷新记录，达到了 75.9%。 消去实验 由于三个目标难以调和，所以可以观察到帕累托边界开始上扬，在加了目标权重之后，此现象有所缓解，但仍不能避免。 作者对比了 MoreMNAS、随机变异和只有两目标的情形。佐证强化 + 演化的加权 NSGA2 优于随机变异的加权 NSGA2，也说明只采用两个目标（acc，latency）会极大削弱搜索能力，鼓励增大 params 的三目标优化是所有方案中最优的。 总 结 综上所述，MoGA 提出了移动端 GPU 敏感的 NAS，对多目标进行加权处理，鼓励增大参数量，使用了更新版 MnasNet 的搜索空间，融合了 V3 的激活单元和结构，方法是对 FairNAS 的改进和提升，在 ImageNet 1k 任务上刷新了 SOTA，最重要的是直接面向落地，而且模型代码和预训练权重都已开源。 有同学担心通用任务上的模型能否直接应用于业务呢？Google Brain 最新的系统性研究给出的答案是肯定的：在 ImageNet 上表现好的 16 个经典结构在 12 个常用数据集上均表现出稳定的排名。 参考文献 1.Chu et al. MoGA: Searching Beyond MobileNetV3，http://arxiv.org/abs/1908.01314 2.MoGA 模型开源地址：https://github.com/xiaomi-automl/MoGA 3.Chu et al., FairNAS: Rethinking Evaluation Fairness of Weight Sharing Neural Architecture Search，https://arxiv.org/abs/1907.01845 4.FairNAS 模型开源地址：https://github.com/xiaomi-automl/FairNAS 5.Chu et al., Multi-Objective Reinforced Evolution in Mobile Neural Architecture Search，https://arxiv.org/abs/1901.01074 6.Andrew Howard et al., Searching for MobileNetV3，https://arxiv.org/abs/1905.02244 7.Kornblith et al., Do Better ImageNet Models Transfer Better，https://arxiv.org/pdf/1805.08974.pdf 你也「在看」吗？??