Pytorch学习笔记（七）——MobileNets论文解读

一、论文总体结构

二、相关工作

三、深度可分离卷积

深度可分离卷积的概念其实很容易理解，我们看下图可知，标准的卷积对多通道数据的操作分为两步：
1.各个通道的卷积核与特征图进行卷积操作。
2.将卷积之后的各个通道的特征图相加。
在标准的卷积操作中，这两个步骤是由一组卷积一次完成的，而可分离卷积则是将此操作分为完全独立的两个步骤，分别使用两组卷积来进行，其中DkxDkx1xM的卷积的这组卷积负责对M个通道的特征图进行卷积操作，而1x1xMxN代表对卷积之后的特征图进行叠加并输出N个通道的特征图。


四、深度可分离卷积对参数量的影响
深度可分离卷积将正常的卷积操作进行了分解从而使用两组卷积核进行，其意义在于减少参数量，由下表可知，深度可分卷积的参数比较标准卷积的参数量成数量级下降。

四、两个超参数如何影响参数量
$$\alpha 代表对输入通道数的控制$$

$$\beta 代表对输出特征图的大小的控制$$