mobilenet 网络结构解析

1.普通的卷积操作

假设S=1,P=1，输入DF*DF*M ,卷积核是DK*DK*M*N ,输出是(DF-DK+3)*(DF-DK+3)*N .其中计算量是DK*DK*M*N*DF*DF

2.我们使用depthwise convolution，针对每个输入通道采用不同的卷积核，就是说一个卷积核对应一个输入通道

假设S=1,P=1.输入DF*DF*M ,卷积核是DK*DK*M ,输出是(DF-DK+3)*(DF-DK+3)*M .其中计算量是DK*DK*M*DF*DF

使用pointwise convolution，其实就是普通的卷积，只不过其采用1x1的卷积核

假设S=1，P=1.输入是(DF-DK+3)*(DF-DK+3)*M，卷积核是1*1*M*N，输出是(DF-DK+3)*(DF-DK+3)*N，其中计算量是1*1*M*N*(DF-DK+3)*(DF-DK+3)=M*N*(DF-DK+3)*(DF-DK+3)

所以采用深度分离卷积层操作比普通的卷积操作少了很多的参数

先定义几个参数

• 输入图片大小 W×W
• Filter大小 F×F
• 步长 S
• padding的像素数 P

 

conv/s2 就是S=2 的普通卷积操作

conv dw /s1 就是S=1 的深层卷积操作（depthwise convolution）

conv/s1 就是s=1 的 pointwise convolution