1. 简介
本文主要介绍基于chatGPT，设计一个针对骁龙855芯片设计的友好型神经网络。
提问->跑通总共花了5min左右，最终得到的网络在Cifar100数据集上与ResNet18的精度对比如下。
| 模型 | flops | params | train acc1/5 | test acc1/5 |
|---|---|---|---|---|
| ResNet18(timm) | 1.82 | 11.18 | ~98%/100% | 63.11%/86.11% |
| CNN-GPT | 1.51 | 6.66 | ~98%/100% | 68.44%/89.14% |
此外，GPT生成的模型训练速度更快，ResNet18才训练170个epoch，CNN-GPT已经完整地训练完了，具体的模型结构在文末，欢迎尝试使用~
个人认为比较有意思的一点是，GPT生成的模型并没有在stem block中就进行降采样，而是卷了一会之后才开始，这个与之前在文本任务中的经验结果类似，特征图越大，会避免信息损失。
基于chatGPT生成模型结构的方式或许在某些情况下可以解决我们的问题，但是基础的神经网络知识还是需要的，否则它给出的答案有些小bug，我们也不知道怎么修改。
模型训练结果与超参设置强相关，在这里仅设置默认的训练策略作为对比，根据训练结果看出，两个模型均过拟合严重。而且，不管是ResNet18或者CNN-GPT，均与Cifar100数据集的SOTA精度相差很远，此处需要注意。
2. 具体步骤
Step1 骁龙855芯片上可以正常运行的算子
基于上述问题，chatGPT给出的回答如下所示。
以下是在骁龙855芯片上比较友好的神经网络算子：1. Conv2d2. Depthwise Conv2d3. Maxpool2d4. Avgpool2d5. BatchNorm2d6. ReLU7. Flatten8. Linear整体看起来还算比较靠谱。
Step2 构建一个模型大小在10M左右的模型
针对上面的问题，chatGPT首先给出了思路。
如果想设计一个在骁龙855芯片上运行速度很快，模型大小在10M以内的模型，可以考虑使用以下方法来进行优化：1. 使用深度可分离卷积代替标准卷积，以获得更快的速度和更小的模型尺寸。2. 使用深度方向的滤波器来替换全连接层，以减少参数数量并减少内存使用。3. 对于每个卷积层，使用Batch Norm层来加速收敛。4. 使用ReLU代替传统的Sigmoid或Tanh激活函数，因为ReLU的计算效率更高。然后给出了一个模型示例。
以下是一个可以作为参考的模型：Conv2d(3, 32, kernel_size=3, stride=1, padding=1)BatchNorm2d(32)ReLU()DepthwiseConv2d(32, kernel_size=3, stride=1, padding=1)BatchNorm2d(32)ReLU()Conv2d(32, 64, kernel_size=3, stride=2, padding=1)BatchNorm2d(64)ReLU()DepthwiseConv2d(64, kernel_size=3, stride=1, padding=1)BatchNorm2d(64)ReLU()Conv2d(64, 128, kernel_size=3, stride=2, padding=1)BatchNorm2d(128)ReLU()DepthwiseConv2d(128, kernel_size=3, stride=1, padding=1)BatchNorm2d(128)ReLU()Conv2d(128, 256, kernel_size=3, stride=2, padding=1)BatchNorm2d(256)ReLU()DepthwiseConv2d(256, kernel_size=3, stride=1, padding=1)BatchNorm2d(256)ReLU()Conv2d(256, 512, kernel_size=3, stride=2, padding=1)BatchNorm2d(512)ReLU()DepthwiseConv2d(512, kernel_size=3, stride=1, padding=1)BatchNorm2d(512)ReLU()Conv2d(512, 1024, kernel_size=3, stride=2, padding=1)BatchNorm2d(1024)ReLU()Avgpool2d(kernel_size=4)Flatten()Linear(1024, 10)上面生成的模型有几个小问题。
DepthwiseConv2d没有被定义DepthwiseConv2d的参数列表中没有out channel的参数，需要手动补充。Step3 生成一个DepthwiseConv2d结构
chatGPT回答如下
以下是一个非常简单的torch的DepthwiseConv2d实现：
import torch.nn as nnclass DepthwiseConv2d(nn.Module): def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=None): super(DepthwiseConv2d, self).__init__() if groups is None: groups = in_channels self.depthwise_conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding, dilation, groups=groups) self.pointwise_conv = nn.Conv2d(out_channels, out_channels, 1, 1, 0, 1, groups=1) def forward(self, x): x = self.depthwise_conv(x) x = self.pointwise_conv(x) return x加入到模型结构定义文件中，同时修改类别数，就可以进行模型训练了。
设置训练超参数
为保证对比的公平性，下面是训练过程中的一些超参数，
parser.add_argument("--epoch", type=int, default=240) parser.add_argument("--batch_size", type=int, default=64) parser.add_argument("--lr", type=float, default=0.05) parser.add_argument("--lr_decay_rate", type=float, default=0.1) parser.add_argument("--lr_decay_stages", type=str, default="150,180,210") parser.add_argument("--wd", type=float, default=0.0005)3. 完整的模型结构
完整的模型结构如下，也欢迎大家在自己的数据集上尝试。
import torchimport torch.nn as nnclass DepthwiseConv2d(nn.Module): def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=None): super(DepthwiseConv2d, self).__init__() if groups is None: groups = in_channels self.depthwise_conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding, dilation, groups=groups) self.pointwise_conv = nn.Conv2d(out_channels, out_channels, 1, 1, 0, 1, groups=1) def forward(self, x): x = self.depthwise_conv(x) x = self.pointwise_conv(x) return xclass CNNGPT(nn.Module): def __init__(self) -> None: super().__init__() self.model = nn.Sequential( nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1), nn.BatchNorm2d(32), nn.ReLU(), DepthwiseConv2d(32, 32, kernel_size=3, stride=1, padding=1), nn.BatchNorm2d(32), nn.ReLU(), nn.Conv2d(32, 64, kernel_size=3, stride=2, padding=1), nn.BatchNorm2d(64), nn.ReLU(), DepthwiseConv2d(64, 64, kernel_size=3, stride=1, padding=1), nn.BatchNorm2d(64), nn.ReLU(), nn.Conv2d(64, 128, kernel_size=3, stride=2, padding=1), nn.BatchNorm2d(128), nn.ReLU(), DepthwiseConv2d(128, 128, kernel_size=3, stride=1, padding=1), nn.BatchNorm2d(128), nn.ReLU(), nn.Conv2d(128, 256, kernel_size=3, stride=2, padding=1), nn.BatchNorm2d(256), nn.ReLU(), DepthwiseConv2d(256, 256, kernel_size=3, stride=1, padding=1), nn.BatchNorm2d(256), nn.ReLU(), nn.Conv2d(256, 512, kernel_size=3, stride=2, padding=1), nn.BatchNorm2d(512), nn.ReLU(), DepthwiseConv2d(512, 512, kernel_size=3, stride=1, padding=1), nn.BatchNorm2d(512), nn.ReLU(), nn.Conv2d(512, 1024, kernel_size=3, stride=2, padding=1), nn.BatchNorm2d(1024), nn.AdaptiveAvgPool2d(1), nn.Flatten(), nn.Linear(1024, 100), ) def forward(self, x): y = self.model(x) return ydef get_flops_params(model): from thop import profile model.eval() flops, params = profile( model, inputs=[ torch.randn([1, 3, 224, 224]), ], ) print(f"flops: {flops/1000**3} G, params: {params/1000**2} M") return flops, paramsif __name__ == "__main__": model = CNNGPT() get_flops_params(model)