[논문 리뷰] High-Performance Large-Scale Image Recognition Without Normalization

2022-04-14 4 분 소요

“High-Performance Large-Scale Image Recognition Without Normalization” 논문을 개인 공부 및 리뷰를 위해 쓴 글입니다.
이 논문은 선행 연구들이 많이 포함되어 있어, 어색할 수 있습니다. 이 부분은 따로 정리하겠습니다.

논문 순서
1. Batch Normalization Biases Residual Blocks towards the Identity Function in Deep Networks, De and Smith, NeurIPS 2020
2. Characterizing Signal Propagation to Close the Performance Gap in Unnormalized ResNets, Brock et al., ICLR 2021
3. High Performance Large-Scale Image Recognition without Normalization, Brock et al., ICMR 2021

논문 링크 : https://arxiv.org/abs/2102.06171

1. Introduction

컴퓨터 비전의 최근 모델은 대부분 배치 정규화(batch normalization)로 학습된 deep residual network의 변형들이다.
Internal Covariate Shift : 훈련 과정에서 심층망의 내부 노드 분포(distribution)의 변화
- 좀 더 풀어쓰면, 아무런 규제없이 가중치 값들이 제멋대로 학습하다보면 값의 범위가 넓어지게 될 수 있다. 매개변수 값들의 변동이 심해지는 현상을 말한다. ¹
- Covariate shift : 학습 데이터셋과 테스트 데이터셋의 데이터 분포가 다른 현상을 의미
  - 레이어 간의 분포가 달라진다.
배치 정규화은 loss landscape를 매끄럽게 하여 큰 학습률(learning rate)과 큰 배치 크기(batch size)로 안정적인 학습을 가능하게 해준다.

batch normalization 이미지출처: ²

위의 과정들을 살펴보면,
- mini-batch mean은 미니배치 별 평균을 구하는 부분이다.
- mini-batch variance은 미니배치 별 분산을 구하는 부분이다.
- normalize은 위에서 구한 평균과 분산을 이용해서 정규화를 하는 부분이다. 즉, 여기까지는 입력데이터에 대한 범위를 규제하는 것이다.
- scale and shift은 정규화된 가중치값을 scale($\gamma$)과 shift($\beta$)을 이용해 가중치 $W$의 범위를 규제하여 과적합(overfitting)을 막는 것이다. ¹

2. Pros (BN)

정규화없이 네트워크를 학습하기 위해, 배치 정규화가 학습 중에 가져온 이점을 이해하고 이러한 이점을 보완할 대안 전략을 알아야 한다. 다음은 4가지의 주요 이점(Pros)이다.

2.1 Batch normalization downscales the residual branch

스킵 연결선(skip connections)과 배치 정규화(batch normalization)의 조합은 수 천개의 레이어를 학습할 수 있게 해주었다.
어떻게 학습할 수 있었냐면, 배치 정규화가 (일반적으로) residual branch에 배치될 때, 초기화 시 residual branch에 대한 hidden activation의 규모(scale)를 감소시키기 때문이다.
이는 신호를 skip path로 편향시켜, 네트워크가 학습 초기에 잘 작동하는 미분을 가지도록 하여 효율적인 최적화를 가능하게 해준다.

-> 보완 : SkipInit 또는 NF 전략 사용하기

2.2 Batch normalization eliminates mean-shift

ReLU와 GELU와 같은 anti-symmetric이지 않은 activation function은 0이 아닌 평균 활성화가 있다.
비선형 직후의 독립적인 training 샘플의 활성화 사이의 내적(inner product)은 입력 특징 사이의 내적이 0에 가깝더라고 일반적으로 크고 positive하다.
이 문제는 네트워크 깊이가 증가함에 따라 복잡해진다.
그리고 네트워크의 깊이에 비례하는 단일 채널(channel)에서 서로 다른 training 샘플의 활성화에 mean-shift를 도입하는 것은 deep network가 초기화 시 모든 training 샘플에 대해 동일한 레이블을 예측하게 하는 문제가 있다.
배치 정규화를 사용하면 현재 배치에서 각 채널의 평균 활성화(mean activation)가 0이 되어 평균 이동(mean-shift)이 제거된다.

-> 보완 : Scaled Weight Standardization 사용하기

2.3 Batch normalization has a regularizing effect

배치 정규화는 테스트 셋 정확도를 향상시키는 regularizer 역할을 한다.
- 학습 데이터의 하위 집합(subset)에서 계산되는 batch statistics의 noise때문에
배치 정규화 네트워크(batch-normalized network)의 테스트 정확도는 배치 크기를 조정(tune)하거나, 분산 학습(distributed training)에서 ghost batch normalization를 사용하여 개선 가능하다.

-> 보완 : Explicit regularization 사용하기

2.4 Batch normalization allows efficient large-batch training

배치 정규화는 loss landscape를 평활화(smoothen)하며, 이는 가장 큰 안정적인 학습속도(learning rate)를 증가시킨다.
- 이 특징은 배치 크기가 작을 때는 이점이 없다.
큰 배치 크기로 효율적으로 훈련하려면 더 큰 학습 속도가 필요하다.
- 여러 장치에 걸쳐 병렬화되었을 때 훈련 속도를 크게 향상시킬 수 있다.

-> 보완 : Adaptive Gradient Clipping 사용하기

3. Cons (BN)

하지만 배치 정규화(batch normalization)는 3가지 단점이 존재한다.
1. 메모리 오버헤드(overhead) 발생 -> 일부 네트워크에서 미분(gradient)을 평가하는 데 필요한 시간 증가 -> 높은 계산량 발생
2. training과 (추론 시간 )inference time의 모델의 행동사이의 불일치 발생 -> 튜닝이 필요한 하이퍼 파라미터(hyper parameter) 조정 필요
3. 미니 배치(mini batch)에서 training 사이의 독립성(independence)를 깨뜨린다.
  - 배치 정규화는 다른 장치들에서 정확하게 복제하지 못한다.
  - 즉, 배치 정규화는 분산 학습에서 미묘한 오류를 발생시킨다.
배치 정규화는 일부 contrastive learning 알고리즘에서 정보 유출을 방지하는 데 노력이 필요하다.
배치 정규화가 있는 네트워크는 batch statistics가 학습 중에 큰 분산(variance)를 갖는 경우에도 성능 저하를 일으킬 수 있다.
배치 정규화의 성능은 배치 크기(batch size)에도 민감하며, 너무 작을 경우에도 문제가 된다.

Other works without using BN

배치 정규화가 최근에 많이 사용되었지만, 이것을 사용하지 않은 채 deep residual network를 학습시키는 연구들이 나왔다.

0으로 초기화된 각 residual branch의 끝에 학습 가능한 스칼라를 도입하는 방법.
활성화 함수 ReLU에 mean shift를 도입하여, 네트워크의 깊이가 증가함에 따라 서로 다른 training sample의 hidden activation이 점점 correlate하게 하는 방법.

하지만 대부분 성능이 배치정규화에 비해 안 좋거나, 학습이 안정적이지 않는 등의 문제가 발생했다.

Contribution of this paper (NFNet)

Modified residual branches and convolutions with Scaled Weight Standardization
- 초기화 시 residual branch를 억제하고 scaled weight standardization를 적용하는 “Normalizer-Free” ResNet를 도입하는 방법.
Adaptive Gradient Clipping (AGC) 제안
- 미분 노름(norm)과 매개변수 노름(norm)의 단위별 비율 미분(gradient)을 clip
- AGC가 더 큰 배치 크기와 더 강력한 데이터 증대(data augmentation)로 normalizer-free 네트워크를 학습할 수 있음을 보여준다.
NFNet (Normalizer-Free ResNets) 설계
- NFNet-F1 모델은 EfficientNet-B7과 유사한 정확도를 달성하면서 약 8.7배 더 빠르게 학습 가능
- NFNet이 배치 정규화된 네트워크보다 훨씬 높은 검증 정확도를 달성하는 것을 보여준다.
- 3억 개의 레이블된 이미지의 대규모 개인 데이터 셋을 사전 학습(pre-trainined) 후 ImageNet에서 미세 조정(fine-tuning)
- 미세 조정 후 89.2% top-1 달성

4. Towards Removing Batch Normalization

$h_{i+1}=h_i+\alpha f_i(h_i/\beta_{i})$ : residual block
- $h_i$ : $i^{th}$ residual block의 입력
- $f_i$ : $i^{th}$ residual block 에서 계산된 함수
- $Var(f_i(z))=Var(z)$
- $\alpha$ : 활성화 변동의 비율
- $\beta_{i}$ : $i^{th}$ residual block에 대한 입력의 표준 편차(standard deviation)를 예측하여 결정된다.
- $\beta_i=\sqrt{Var(h_i)}$, where $Var(h_{i+1})=Var(h_i)+\alpha^2$

또는 Scaled Weight Standardization을 도입하여 hidden activation의 mean-shift 현상 방지하는 방법이 있다.
$\hat W_{ij}=\frac{W_{ij}-u_i}{\sqrt{N}\sigma_i}$
- $u_i=\frac{1}{N}\sum_iW_{ij}$
- $\sigma_i^2=\frac{1}{N}\sum_j(W_{ij}-u_i)^2$
- N : fan-in
- ReLU : $\gamma=\sqrt{2/(1-\frac{1}{\pi})}$ (non-linearity scalar gain)
또는 Dropout
또는 Stochastic Depth

이런 방법들은 배치 크기가 1024이거나 아주 작은 크기일 때도 잘 작동했지만, 4096 이상일 때는 성능이 나빠졌다.

5. Adaptive Gradient Clipping for Efficient Large-Batch Training

NF-ResNet이 큰 배치 크기를 갖기 위해 gradient clipping 도입
Gradient Clipping : 대규모 배치 크기와 강력한 데이터 증강을 효율적으로 훈련할 수 있는 그레이디언트 클리핑 방법
- 경사 하강(gradient descent)이 가파른 절벽에서 합리적으로 수행될 수 있도록 도와줌 ³
- 미분이 일정 threshold를 넘어가면 clipping 해준다.

이미지출처: ⁴

Gradient clipping

$G=\partial L/\partial \theta$
$L$ : loss
$\theta$ : vector
$\lambda$ : threshold

Adaptive Gradient Clipping

$G^l$ : $W^l$에 해당하는 미분값
$\Vert W^l\Vert_F=$ $\sqrt{\sum_i^N\sum_j^M(W_{i,j}^l)^2}$
$\Vert W_i\Vert_F^*=max(\Vert W_i\Vert_F, \epsilon)$
$\epsilon$ : $10^{-3}$

AGC를 사용하면 4096 배치 크기까지 학습할 수 있다.

5.1 Ablations for Adaptive Gradient Clipping (AGC)

위 그림은 NFNet bottlenectk block의 요약

6. Experiments

Nfnet-F5 모델은 MaxUp으로 이전 SOTA EfficientNet-B8보다 약간 개선된 86%의 상위 1개 검증 정확도를 달성했다.
그리고 Nfnet-F1 모델은 EfficientNet-B7의 84.7%와 RA를 매칭하는 동시에 교육 속도가 8.7배 빠르다.

Conclusion ⁵

Downscales the residual branch -> SkipInit or NF Strategy
Prevent mean-shift -> Scaled Weight Standardization
Implicit regularization -> Explicit regularization
Enable large-batch training -> Adaptive Gradient Clipping

Appendix

NFNet 모델은 수정된 SE-ResNeXt-D 버전이다.
입력 데이터 : $H\times W\times C(RGB)$
- 전체 ImageNet 학습 데이터셋에서 채널당 평균/표준 편차로 정규화됨

References

KakaoTalk Twitter Facebook LinkedIn