MobileNet详解（V1）

 MobileNetV1是一种既降低了模型大小，又加快了推理速度的模型。但是不太好训练，实测需要先用较大学习率（0.1~0.01左右）训（SGD).

 先讲为什么MobileNet可以加快推理速度：

上图：

首先，假设上图是原本的VGG结构，输入feature map 有M个channel , Df * Df 是输出 feature map的大小channel数为N ，Dk * Dk 是的卷积核大小有N个。

传统的VGG卷积部分的计算量 ： Dk * Dk * M * N * Df * Df

为什么是这样呢：

首先 ， 卷积核会对输入的每个 featrue map的做卷积，每feature map的卷积计算量 主要看生成的feature map大小。

由于输出feature map的每个像素点，都是一次卷积运算得到的。故输出为Df * Df 时，则每个feature map做了

Df * Df次卷积运算。

而每次卷积运算占的运算量是多少呢？和卷积核大小有关 ： Dk * Dk （比较容易理解 卷积就是矩阵乘矩阵，

3*3矩阵相乘要算9次乘法）

所以 ， 1个卷积核的计算量 : Dk * Dk * Df * Df *M 。N 个卷积核 ,故总计算量为 ：Dk * Dk * Df * Df * M * N 。

MobileNet卷积计算：

当输入为 M 个通道的 feature map 时， 则用 M 个 （与输入通道相同，且不进行通道间的叠加 ，一一对应进行卷积）

Dk * Dk 卷积做运算, 输出feature map大小为 Df * Df， 运算量为： Df * Df * Dk * Dk * M 。

这 M 个 feature map 在传统卷积时是要相互叠加的，（传统的卷积是用N个卷积核依次卷积输入的所有（也就是M个）

feature map，然后累加这M个结果，最终得到N个累加后的结果）

注意 ： 这里卷积用 M 个，即与输入feature map通道数相同 ，而不是输出通道数 N 。