mobilenetV1-V3架构总结

mobilenetV1-V3架构总结

• mobilenet-V1 paper地址：https://arxiv.org/pdf/1704.04861.pdf
• mobilenet-V2 paper地址： https://arxiv.org/pdf/1801.04381.pdf
• mobilenet-V3 paper地址：https://openaccess.thecvf.com/content_ICCV_2019/papers/Howard_Searching_for_MobileNetV3_ICCV_2019_paper.pdf

---

1. mobilenet-V1

1.1 基本block

深度可分离卷积
参考：https://blog.csdn.net/m0_37799466/article/details/106054111

1.2 网络架构

第一层是全卷积full convolution（也就是标准卷积）
除了最后的完全连接层（没有非线性，并馈入softmax层进行分类）外，所有层均遵循Batchnorm和ReLU非线性 ，也就是下面的右图（下右图就是上图中红色框框出来的部分）
（左图是标准的卷积，右图是深度可分离卷积）。

若将深度卷积和点卷积分开为3层看，则mobile-V1共28层。

2. mobilenet-V2

2.1 基础block

mobile-V2的基本构建block是一个带有残差的bottleneck depth-separabel convolution

2.2 网络架构

Sequential: (Conv2d, BatchNorm2d, ReLU6)
第1层：输入图像通道数3, 输出通道数32,kernel_size=3，s是2

InvertedResidualblock
(1): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第2-4层：输入通道数32，输出通道数16，kernel_size分别是3和1，t是1，s是1

(2)InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第5-7层：输入通道数16，输出通道数24，kernel_size分别是1，3，1，t是6，s是2

(3)InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第8-10层：输入通道数24，输出通道数24，kernel_size分别是1，3，1，t是6，s是2

(4)InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第11-13层：输入通道数24，输出通道数32，kernel_size分别是1，3，1，t是6，s是2

(5): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第14-16层：输入通道数32，输出通道数32，kernel_size分别是1，3，1，t是6，s是2

(6): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第17-19层：输入通道数32，输出通道数32，kernel_size分别是1，3，1，t是6，s是2

(7): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第20-22层：输入通道数32，输出通道数64，kernel_size分别是1，3，1，t是6，s是2

(8): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第23-25层：输入通道数64，输出通道数64，kernel_size分别是1，3，1，t是6，s是2

(9): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第26-28层：输入通道数64，输出通道数64，kernel_size分别是1，3，1，t是6，s是2

(10): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第29-31层：输入通道数64，输出通道数64，kernel_size分别是1，3，1，t是6，s是2

(11): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第32-34层：输入通道数64，输出通道数96，kernel_size分别是1，3，1，t是6，s是1

(12): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第35-37层：输入通道数96，输出通道数96，kernel_size分别是1，3，1，t是6，s是1

(13): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第38-40层：输入通道数96，输出通道数96，kernel_size分别是1，3，1，t是6，s是1

(14): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第41-43层：输入通道数96，输出通道数96，kernel_size分别是1，3，1，t是6，s是2

(15): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第44-46层：输入通道数160，输出通道数160，kernel_size分别是1，3，1，t是6，s是2

(16): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第47-49层：输入通道数160，输出通道数160，kernel_size分别是1，3，1，t是6，s是2

(17): InvertedResidual (conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d, ReLU6, Conv2d, BatchNorm2d)
第50-52层：输入通道数160，输出通道数320，kernel_size分别是1，3，1，t是6，s是1

(18): Sequential (conv2d, BatchNorm2d, ReLU6)
第53层：输入通道数160，输出通道数1280，kernel_size是1，s是1

Classifier: Linear
第54层：输入通道数1280，输出通道数100，kernel_size分别是1

3. mobilenet-V3

3.1 基础block

3.2 网络架构

mobilenet-V3-large

mobilenet-V3-small

写得不太详细，以后再慢慢补充吧~