智能数字图像处理：MobileNetV2代码（pytorch）之model.py解读

1. def __init__(groups=1):-》group=1表示是普通卷积，group=2表示Depthwise(DW)卷积。

2.padding = (kernel_size - 1) // 2-》padding由kernel_size来决定。

3.然后定义网络结构： 

super(ConvBNReLU, self).__init__(
            nn.Conv2d(in_channel, out_channel, kernel_size, stride, padding, groups=groups, bias=False),
            nn.BatchNorm2d(out_channel),
            nn.ReLU6(inplace=True)
        )

到这里ConvBNReLU网络结构定义完毕！

定义倒参差网络结构

1.expand_ratio-》表示扩展因子。

2.hidden_channel = in_channel * expand_ratio中的hidden_channel表示输出深度也是卷积核数量。

3.use_shortcut-》判断是否在正向传播过程中使用Mobile的捷径分支。

4.stride == 1 and in_channel == out_channel-》判断使用捷径分支条件：stride == 1并且输入深度等于输出深度。

5. if expand_ratio != 1:-》判断扩展因子是不是等于1，不等于1就添加一个1x1的卷积层。等于1的话就没有1x1的卷积层。

接下来添加一系列的层结构：

layers.extend([
            # 3x3 depthwise conv
            ConvBNReLU(hidden_channel, hidden_channel, stride=stride, groups=hidden_channel),
            # 1x1 pointwise conv(linear)
            nn.Conv2d(hidden_channel, out_channel, kernel_size=1, bias=False),
            nn.BatchNorm2d(out_channel),
        ])

forward前向传播：

    def forward(self, x):
        if self.use_shortcut:
            return x + self.conv(x)
        else:
            return self.conv(x)

-》如果use_short