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flopsparamstrain acc1/5test acc1/5
ResNet18(timm)1.8211.18~98%/100%63.11%/86.11%
CNN-GPT1.516.66~98%/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。

  1. DepthwiseConv2d没有被定义
  2. 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)