详解和对比ResNet和DenseNet和MobileNet

最新推荐文章于 2025-03-31 15:04:16 发布
最新推荐文章于 2025-03-31 15:04:16 发布
阅读量1.2w 收藏 53
点赞数 9
分类专栏： 大模型 (LLM) 文章标签： 算法 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/caroline_wendy/article/details/121475270
版权
本文详细对比了ResNet50、DenseNet121和MobileNet系列（v1、v2、v3）的网络结构与特点。ResNet利用残差学习解决深层网络的梯度消失问题；DenseNet通过密集连接提高特征传递效率；MobileNet则采用Depthwise Separable卷积实现轻量化，v2引入Linear Bottleneck和Inverted Residuals，v3则利用NAS和h-swish/sigmoid优化网络结构，提升性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

经典的Backbone，如ResNet50、DenseNet121、MobileNetV2，三类框架，参考 Keras Applications ：

ResNet50 DenseNet121 MobileNetV2
时间 CVPR 2015 CVPR 2017 CVPR 2018
模型 98M 33M 14M
Top1(ImageNet) 0.749 0.750 0.713
参数 25,636,712(约2500w) 8,062,504(约800w) 3,538,984(约350w)
推理速度CPU 58.20ms 77.14ms 25.90ms
推理速度GPU 4.55ms 5.38ms 3.83ms

ResNet50

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【PyTorch项目实战】之ResNet系列：resnet18、resnet34、resnet50、resnet101、resnet152
shinuone的博客
04-22 5306
ResNet (Residual Network) ：是一种深度卷积神经网络（CNN）架构，其核心思想是引入残差学习（Residual Learning）机制，通过跳跃连接（skip connections）来解决深层网络训练中的退化问题。
计算机视觉主干模型VGG16、MobileNetV2、ResNet50 pytorch版
qq_35732321的博客
08-27 3591
MobileNetV2在MobileNetV1的基础上，增加Inverted resblock模块儿。Inverted体现在对输入首先利用1x1卷积进行升维，然后利用3x3深度可分离卷积进行特征提取，然后再利用1x1卷积降维。resblock体现在输入和上一步输出相加。2 . VGG16代码。......
ResNet & MobileNetV1 & MobileNetV2设计对比分析
Treasure Ashes
07-02 2331
MobileNetV1论文地址：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications MobileNetV2论文地址：MobileNetV2: Inverted Residuals and Linear Bottlenecks ResNet论文地址：Deep Residual Learning for Image Recognition 关于这些网络结构的介绍已经有很多了： MobileN
三大模型对比：ResNet vs MobileNetV3 vs EfficientNet
最新发布
lf_1234的博客
03-31 713
ResNet 稳、MobileNetV3 快、EfficientNet 准！你可以根据项目的需求和设备资源做选择。
[卷积神经网络]基干网络之ResNet、MobileNet
就随便写写....
02-23 2379
详解ResNet和MobileNet V1，V2
CV（MobileNet，ResNet，FPN）网络参数量比较
qq_24263553的博客
07-01 5433
MobileNet：：5,347,520 MobileNet+fpn:13,344,960 ResNet:23,561,152 ResNet+fpn:31,558,592 这里的MobileNet我为了和ResNet拉到一齐，在最后又加了一层CONV2D,将通道数提升到2048dim，在使用fpn最后输出通道数256dim，所以参数量会比原始MobileNet会多一些，原始MobileNet参数量大概在300多万，相比于两三千万的resnet，真的很轻量级，方便在移动端有更好的体验。 大模型有大模型的好处，
resnet和MobileNet
ffllxx123的博客
07-11 1637
无
mobilenet + resnet
qq_44874691的博客
02-07 1270
import torch import torch.nn as nn import torchvision import numpy as np print("PyTorch Version: ",torch.__version__) print("Torchvision Version: ",torchvision.__version__) __all__ = ['ResNet50', 'ResNet101','ResNet152'] def Conv1(in_planes, places,
Pytorch 图像分类（AlexNet，VGGNet，Inception，ResNet，DenseNet，MobileNet）
平凡简单的执着
04-16 4890
4.定义网络（AlexNet） [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ggMczuOs-1587022068848)(attachment:image.png)] AlexNet 结构： 输入层：图像大小为 227×227×3，其中 3 表示输入图像的 channel 数（R，G，B）为 3。 卷积层：filter 大小 11×11，filter 个数 9...
CNN经典结构（Lenet，AlexNet，VGG，GoogleNet，ResNet, Resnext, Densenet, Senet, BAM,mobilenet）及其pytorch实现
xu_fu_yong的专栏
06-19 8776
CNN经典结构（Lenet，AlexNet，VGG，GoogleNet，ResNet, Resnext, Densenet, Senet, BAM, CBAM, genet, sknet, mobilenet）及其pytorch实现 前言 本文主要介绍2012-2019年的一些经典CNN结构，从Lenet，AlexNet，VGG，GoogleNet，ResNet, Resnext, Densene...
【论文笔记】【cnn】Densenet详解
Chen_Swan的博客
04-22 1765
Densenet受启发于resnet，通过shortcut(skip connection)建立前面层到后面层的联系，有助于训练过程中的梯度反向传播。相比于resnet，densenet设计了更密集的shortcut，建立了前面的所有层和后面的密集连接。Densenet还通过特征在channel上的连接来实现特征重用，这减少了DenseNet的参数量和计算成本。 DenseNet提出了一个非...
pytorch resnet 152 模型参数数据
12-29
pytorch resnet 152 模型参数数据 pytorch resnet 152 模型参数数据 pytorch resnet 152 模型参数数据 pytorch resnet 152 模型参数数据 pytorch resnet 152 模型参数数据 pytorch resnet 152 模型参数数据
MobileNetV2 和 V1， V3和ResNet
It is me 的博客
07-09 2594
MobileNet 由谷歌在 2017 年提出，是一款专注于在移动设备和嵌入式设备上的轻量级CNN神经网络，并迅速衍生了 v1 v2 v3 三个版本；相比于传统的 CNN 网络，在准确率小幅降低的前提下，大大减小模型参数和运算量。 1MobileNetV2 和 V1之间有啥不同？ 主要是两点： Depth-wise convolution之前多了一个1*1的“扩张”层，目的是为了提升通道数，获得更多特征； 最后不采用Relu，而是Linear，目的是防止Relu破坏特征。 ...
CVPR'23部署 | MobileNetv2也能超越ResNet家族！
CV_Autobot的博客
04-08 914
作者|小书童 编辑| 集智书童点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【模型部署】技术交流群后台回复【模型部署工程】获取基于TensorRT的分类、检测任务的部署源码！训练后量化（PTQ）由于其数据隐私性和低计算成本，被广泛认为是实际中最有效的压缩方法之一。作者认为PTQ方法中存在一个被忽视的振荡问题。在本文中主动探索并提出了一个理论证明，来...
mobilenet与resnet对比
热门推荐
AI程序媛的博客
10-09 1万+
参考知乎专栏文章：https://zhuanlan.zhihu.com/p/33075914
什么？不会创新？那就看这几个网络是如何创新的！轻量级网络-ResNet、MobileNet、MobileNetv2、ResNeXt、ShuffleNet v1。
wzm15939943783的博客
12-04 1038
a、b、c它们在数学计算上完全等价，只是三种不同的方式而已，（b）中的concatenate就是连接的意思，上一层每一个分组的输出通道数都是4，然后把他们简单连接起来，32组，那就变成了一个输出通道数是128的feature map。正常的卷积就是每个输入通道都有一个对应的卷积核，这些卷积核在所有输入通道上进行相乘相加，滑动窗口操作。对于蓝色框来说，就是正常的卷积-激活-卷积的操作，残差连接就是让操作之前的图和你卷积之后的图进行相加，再激活输出，这就让网络有一部分输出是跳跃了部分的卷积层。
卷积神经网络中各个模型结构的优劣对比(Alexnet,VGGNet,ResNet,InceptionNet,MobileNet)
丁磊_ml的博客
03-03 6844
轻量级深度学习网络(二):详解谷歌轻量级网络MobileNet-v2
chenyuping333的博客
08-13 1919
0、论文地址   V2 主要引入了两个改动：Linear Bottleneck 和 Inverted Residual Blocks。下面让我们通过对比 V2 与 V1 和 ResNet 结构，来认识这两个改动背后的动机和细节。 1. 对比 MobileNet V1 与 V2 的微结   相同点 都采用 Depth-wise (DW) 卷积搭配 Point-wise (PW) 卷积...
[MobileNet]V3与前作的对比
Muggle的博客
11-26 2466
1.轻量化模型 目前的一些主要的轻量化网络及特点如下： SqueezeNet：提出Fire Module设计，主要思想是先通过1x1卷积压缩通道数（Squeeze），再通过并行使用1x1卷积和3x3卷积来抽取特征（Expand），通过延迟下采样阶段来保证精度。综合来说，SqueezeNet旨在减少参数量来加速。 通过减少MAdds来加速的轻量模型： MobileNet V1：提出深度可分离卷积； MobileNet V2：提出反转残差线性瓶颈块； 2.MobileNet家族 （1）..
resnet_unet
02-28
### ResNet_UNet 架构详解 #### 结构概述 ResNet_UNet 是一种结合了 ResNet 和 U-Net 的混合神经网络架构。该架构利用 ResNet 中的残差学习机制来解决深层网络中的退化问题，同时采用 U-Net 的编码器-解码器结构来进行图像分割任务。 #### 编码器部分 编码器基于改进后的 ResNet 模型构建。通过引入跳跃连接（skip connection），即使在网络层数较多的情况下也能保持良好的性能[^1]。这种设计不仅能够有效缓解梯度消失/爆炸的问题，还能增强特征传递效率，使得更深层次的卷积层可以更好地捕捉细节信息[^4]。 #### 解码器部分 解码器负责将低分辨率特征映射逐步恢复成高分辨率输出。在此过程中，来自相同尺度编码阶段的特征图会被拼接进来作为辅助输入，从而保留更多上下文信息并改善边界定位精度[^3]。 #### 特殊组件：跳跃连接与注意力机制 除了标准的跳连外，某些版本还集成了注意力模块，用于突出显示重要区域或通道的重要性权重。这有助于进一步提升模型对于复杂场景的理解能力以及抗噪性[^2]。 ```python import torch.nn as nn class ResidualBlock(nn.Module): def __init__(self, in_channels, out_channels): super(ResidualBlock, self).__init__() self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn1 = nn.BatchNorm2d(out_channels) self.relu = nn.ReLU(inplace=True) self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1) self.bn2 = nn.BatchNorm2d(out_channels) def forward(self, x): residual = x out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(out) out = self.bn2(out) out += residual out = self.relu(out) return out class EncoderDecoder(nn.Module): def __init__(self): super(EncoderDecoder, self).__init__() # 定义编码器和解码器的具体层次... def forward(self, x): encoded_features = [] for layer in self.encoder_layers: x = layer(x) encoded_features.append(x.clone()) for i, layer in enumerate(self.decoder_layers): skip_connection = encoded_features[-i-1] x = torch.cat([x, skip_connection], dim=1) # 跳跃连接 x = layer(x) return x ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ManonLegrand

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值