[译] 如何训练你的 ResNet（四）：网络架构对训练时间的影响

来源：Myrtle

编译：Bing

在这篇文章中，我们会基于该系列的前面几篇文章所得出的结果，尝试不同类型的网络。

如何训练你的ResNet（二）：Batch的大小、灾难性遗忘将如何影响学习速率

如何训练你的ResNet（三）：正则化

目前为止，我们使用的都是固定网络架构，即在CIFAR10上用单个GPU最快的DAWNBench记录，经过简单改变，我们将网络达到94%精度的时间从341秒缩短至154秒。今天，我们要研究其他的替代性架构。

让我们先回顾下目前所用的网络：

粉色的残差块包含了一个identity shortcut并保留了输入的空间和通道维度：

浅绿色的下采样模块将空间分辨率降低两倍，输出通道的数量增加一倍：

加入残差模块的原因是通过在网络中创建shortcut让优化变得更简单。我们希望较短的路径代表相对容易训练的浅层子网络，而较长的路径可以增加网络的能力和计算深度。这样一来，研究最短路径如何通过网络孤立训练，并且如何采取措施进行改进似乎是合理的。

清除长分支会生成一下主要网络，其中除了第一个网络，所有的卷积网络的步长都为2：

在接下来的实验中，我们会训练20个epoch，利用比之前学习速率更快速的版本训练，因为网络较小，收敛得更快。复现这一结果的代码在此： github.com/davidcpage/cifar10-fast/blob/master/experiments.ipynb

对最短的路径网络训练20个epoch，在36秒内的测试精度仅达到55.9%。删除掉重复的批标准化ReLU群组，将训练时间缩短到32秒，但是测试精度仍然不变。

这一网络有个严重的缺陷，即下采样卷积有1×1的核以及为2的步长，所以与其扩大接受域，它们反而会抛弃信息。如果我们用3×3的卷积替换，测试精度在36秒的训练后达到了85.6%。

我们还能继续对下采样进行优化，使用3×3、步长为1的卷积，并且后面跟一个池化层。我们选择最大池化和2×2的窗口大小，43秒训练后的测试精度为89.7%。用平均池化法得到相似的结果，但时间稍长。

分类器前的最后一个池化层是全局平均池化层和最大池化层的连接，从原始网络中得来。我们用更标准的全局最大池化层替换它，并且将最终的卷积层的输出维度变为原来的两倍，对输入维度进行补偿，最终在47秒内，测试精度达到了90.7%。注意，这一阶段的平均池化层并不如最大池化层。

默认情况下，在PyTorch0.4中，初始批规范化的范围在0到1之间随机选择。初始接近0的通道可能被浪费，所以我们用常数1来替代。这导致通过网络中的信号更大。为了补偿，我们提出了一种整体恒定惩罚对分类器进行重新调整。对这一额外超参数，大致的手动优化值是0.125。经过这些改变，经过20个epoch的训练，网络在47秒内达到了91.1%的测试精度。

下表总结了我们上文中提到的各种改进步骤：

现在的网络看起来没什么问题了，接下来我们要进行收益递减，添加一些图层。目前网络仅有5个图层（四个卷积，一个全连接层），所以还不确定我们是否需要残差分支，或者添加额外的层后能否得到94%的目标精确度。

如果只增加宽度似乎不可行。如果我们让通道维度增加一倍，训练60个epoch后，可以达到93.5%的精确度，但是会用321秒。

在增加网络深度方面，我们还面临着多种问题，例如不同的残差分支类型、深度和宽度以及新的超参数，例如初始范围和残差分支的偏见。为了让结果更进一步，我们要严格限制搜索空间，所以，不能调整任何新的超参数。

特别的是，我们要考虑两种类型的网络。第一种是选择性地在每个最大池化层后添加一个卷积层。第二种是添加一个含有两部分3×3卷积的残差块，其中有identity shortcut，也是在最大池化层之后添加。

我们在最后卷积模块后、全局最大池化层之前插入了一个2×2的最大池化层。是否添加新层要根据不同情况决定，我们还考虑混合两种类型，但这并没有提升性能，所以我们就不在此展开了。

下图是第一种网络示例，其中我们在第二个最大池化层之后添加了额外的卷积：

下图是第二种网络示例，其中我们在第一和第三层之后添加了残差分支：

现在要开始“暴力”架构搜索了！我们训练了15种网络（经过改进的原始网络和上述两类网络中每类的7种变体），各训练20个epoch，另外还对比了训练22个epoch的结果，了解训练时间增长和更深的网络架构之间的差别。如果每个实验仅运行一次，就会花费30分钟的计算时间。但不幸的是，每次最终测试精度的标准偏差约为0.15%。所以为了得出准确的结果，我们会对每个实验运行10次，将每个数据点的标准偏差控制在0.05%左右。即便如此，不同架构之间从20到22个epoch运行后改进率之间的差异主要可能是噪音。

以下是结果，点表示20个epoch和精确度，线条的延伸表示22个epoch的结果：

与运用更深层的架构所得到的进步相比，训练更长时间所得到的进步速度似乎很慢。在测试的框架中，最有前景的或许是Residual:L1+L3。网络在66秒内达到了93.8%的精确度，如果我们将训练扩展到24个epoch，平均精确度为94.08%，训练时间为79秒。

目前为止，我们已经得到了一个9层的深度残差网络，能在79秒内达到94%的训练精确度，几乎将训练时间缩短了一半。最后还有一个问题：我们是否真的需要残差分支才能让测试精确度达到94%？答案显然是否定的。例如，单一的分支网络Extra:L1+L2+L3能在180秒、60个epoch内达到95%的精确度，加上正则化或更宽的版本后，精确度会更高。但是至少在现在最快的是一个残差网络。

结语

本文结束前，让我们再简单回顾一下研究的目的。很多观点认为，训练模型在CIAFR10上达到94%的测试精确度是无意义的行为，应为现在最高的精确度都达到98%了（另外还有人认为现在ImageNet才是“唯一”的数据集，其他实验只是浪费时间罢了）。

事实上，我们可以通过9层网络在24个epoch内达到94%的精确度，这也再次说明我们的目标门槛过低。另一方面，人类在CIFAR10上的表现也在94%左右，所以这一情况并不清楚。

在某种程度上，现在的精确度是一种“病态”的目标，只追求更大的模型、调整更多超参数、更多数据增强或者更长的训练时间，让各种工作之间的比较更难。另外，在训练或结构设计上的创新会带来额外的超参数维度，并且调整这些参数可能会导致有关训练更好的隐式优化，否则这些与研究中的扩展无关。如果基础模型的外显超参数的维度空间较低，那么通常被认为是最佳的对比试验无法解决该问题。这种情况的结果是，最先进的模型难以进行比较、复现、重建。

有了这些问题，我们认为任何能轻易在各项实验中进行比较的都是有益的。我们相信创建有竞争力的基准也是应对挑战的一种方法。资源的限制让各实验之间的比较更公平，减少了为了培训所需要做的调整。模型多余的复杂性可能会受到资源限制基线的惩罚，哪些明确控制相关参数的方法通常会获胜。

最近，根据模型推理时间或模型大小公布曲线越来越多。这对于优化和解决上面的问题来说都是积极的方法，但我们相信训练时间所带来的额外正则化会有更多好处。另一方面，优化训练时间并不考虑推理成本是否是次优的，这也是为什么我们的训练时间结构总是包含测量每个epoch中测试集的时间，并且我们避免了类似测试时间增强等技术，它可以在推理时减少训练时间。

原文地址：www.myrtle.ai/2018/09/24/how-to-train-your-resnet-4/