MobileNetV1-学习记录

引入：本次学习内容基本来自于Andrew G. Howard ，Menglong Zhu ，Bo Chen等编写的的《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》，以及部分讲解视频，本学习记录仅为个人学习收获，部分内容存在纰漏烦请各位大佬批评指正。

（一）摘要：介绍了MobileNets这一轻量级卷积神经网络架构，旨在实现在移动设备上高效进行计算机视觉任务。通过使用深度可分离卷积和超参数设置等技术，MobileNets能够在保持较高准确率的同时，显著减少计算量和模型大小，适用于移动设备的计算资源有限的情况。

（二）发表时间：2017

（三）关键词：轻量级，深度可分离卷积，宽度系数，分辨率系数

（四）学习收获：

MobileNet的提出背景：传统卷积神经网络内存需求大，参数多，对运算资源要求高，并且无法保证在移动设备和嵌入式设备上运行。

核心：DW卷积（与PW卷积配合使用）、两个超参数（一个控制输入输出通道数，一个控制输入图像大小的，人为设定）。

传统卷积中，卷积核的channel=输入特征矩阵的卷积channel,卷积核的个数=输出特征矩阵的channel。

DW卷积：卷积核channel=1,输入特征矩阵的channel=输出矩阵的channel=卷积核的个数。此处的卷积核因为只有一个，因此每次只单独负责一个输入特征矩阵。DW卷积后存在一个PW卷积，PW卷积与传统卷积形式类似，通过DW卷积与PW卷积的联合使用，可以大大降低参数量核计算量。

问题：训练后的DW卷积会废掉，存在卷积为0的情况（V2版本中会解决）。