MobileNets V1神经网络简介与代码实战

最新推荐文章于 2023-11-01 11:03:34 发布

AI街潜水的八角

最新推荐文章于 2023-11-01 11:03:34 发布

阅读量219

点赞数

分类专栏：深度学习CNN模型实战文章标签：神经网络深度学习人工智能

本文链接：https://blog.csdn.net/m0_59023219/article/details/130811796

版权

深度学习CNN模型实战专栏收录该内容

18 篇文章 1 订阅

订阅专栏

1.介绍
Mobilenets是Google针对手机的智能型嵌入式设备提出的一种轻量级深度卷积神经网络，该网络的核心为深度可分离卷积（depthwise separable convolutions），更加详细的介绍可以参见“MobileNets: Effificient Convolutional Neural Networks for Mobile Vision Applications”

2.模型结构
depthwise卷积结构与标准卷积结构的区别可以参见下图，其中，我们很容易知道标准卷积的参数量为3*3*3*16。而depthwise卷积的参数量为3*3*3*1+1*1*3*16。

3.模型特点

MobileNets V1通过可分离卷积减少了参数量，但减弱了通道之间的相关性，于是就用到1x1的标准卷积来增强通道之间的相关性。

4.代码实现 pytorch

class MobileNet(nn.Module):
    def __init__(self):
        super(MobileNet, self).__init__()
 
        def conv_bn(inp, oup, stride):
            return nn.Sequential(
                nn.Conv2d(inp, oup, 3, stride, 1, bias=False),
                nn.BatchNorm2d(oup),
                nn.ReLU(inplace=True)
            )
 
        def conv_dw(inp, oup, stride):
            return nn.Sequential(
                nn.Conv2d(inp, inp, 3, stride, 1, groups=inp, bias=False),
                nn.BatchNorm2d(inp),
                nn.ReLU(inplace=True),
    
                nn.Conv2d(inp, oup, 1, 1, 0, bias=False),
                nn.BatchNorm2d(oup),
                nn.ReLU(inplace=True),
            )
 
        self.model = nn.Sequential(
            conv_bn(  3,  32, 2), 
            conv_dw( 32,  64, 1),
            conv_dw( 64, 128, 2),
            conv_dw(128, 128, 1),
            conv_dw(128, 256, 2),
            conv_dw(256, 256, 1),
            conv_dw(256, 512, 2),
            conv_dw(512, 512, 1),
            conv_dw(512, 512, 1),
            conv_dw(512, 512, 1),
            conv_dw(512, 512, 1),
            conv_dw(512, 512, 1),
            conv_dw(512, 1024, 2),
            conv_dw(1024, 1024, 1),
            nn.AvgPool2d(7),
        )
        self.fc = nn.Linear(1024, 1000)
 
    def forward(self, x):
        x = self.model(x)
        x = x.view(-1, 1024)
        x = self.fc(x)
        return x