MobileNetV2拆解后总结及阶段性学习回顾（一）（超详细代码解析）

-----------------------------此处是废话，自我总结用-----------------------------

作为第二个亲手一点点扒出来的代码，需要总结的东西有许多，一点点总结，或许会发很多章。

第一个拆解的网络是Resnet，对就是那个经典的残差网络结构，甚至还不知道所谓的“网络”究竟是什么概念，对深度学习也没有任何概念，甚至连模糊的印象都不存在。还曾经纠结过，究竟什么是Resnet，为什么他叫Resnet，还与舍友进行过头脑风暴，至今为止，我认为可以比较清楚地解释出来什么是Resnet了，或者说能解释什么是网络模型了

1.任何经典的网络都有其不可取代的一个方面，如resnet的残差结构，由于他所处的时代，大家都是很暴力的一层又一层的叠加网络深度，但是任何网络有一个理论极限深度（或许是这样），但是过深的网络并不能带来准确率的增长，只会增加参数的冗余，比如VGG作为Resnet的前置网络基础，整个网络含有一千多万的参数，实在是太多了，（好吧其实resnet并没有解决这个问题，只不过提一下），然后有人说，我们能不能让上一层的输入直接走到下一层，然后通过调整权重的方式，让他们平衡一下。豁，理论存在，实验开始。残差结构就形成了了，resnet名字也由此而来。这个网络当年就拿到了五大比赛的冠军，这是那个时代人们未曾设想的道路，就像一维到二维一样。这也就是成了以后所有网络必带的一个结构，也就是他的不可取代的创新点。

2.那么我第二个纠结的点在于，难道有残差结构就叫resnet吗？经过思考，其实不是的，好像这个问题很蠢，那肯定resnet就是resnet啊，难道还能是别的？可是我那个时候如果别人问我什么resnet，为什么一定是这个结构才叫resnet，换个差不多的结构，多几个卷积层，难道就不是resnet？现在我有了答案。为什么一个网络之所以有他特有的名字，不仅仅是因为他的独特的创新点，还因为这个网络结构是经过实际论证，在那个时候下，一种较好的解决方案，或者说在当时的时代，那个就是最好的网络。如果你跟他处于一个时代，你可能觉得加一层减一层都无所谓，但是可能所谓的resnet50 就是比你那resnet51。。52，，53，，63效果要好很多。

深度学习作为一个日新月异的领域，或许你睡一觉起来，就有新的网络出现了，这个网络可能就像当年的resnet一样震惊世界，但是我们不是从未来穿越而来，只能去追逐新的技术，相信大佬们，一步步前进。

-----------------------------------------------废话结束，正文开始--------------------------------

废话不说，我直接进入正题，啥是mobilenet，为啥搞它出来。就一句话，手机和摄像头之类的设备太垃圾了，但是我还想用深度学习咋办，那谷歌爸爸就给你一个办法，用这个mobilenet，看名字都是给手机开发的，一定没问题。确实没问题，相比于VGG这个庞大的家伙，有一千多万的参数，这个小玩意就六百多万，豁，少了一半的参数量，要是平方一下就是四分之一，要是三次方。。。。倒是不必哈-。-

虽然六百万还是听起来蛮多的，但是计算机面前已经不多了。

那么就要提出问题了，为啥能减少这么多，这就涉及到了深度可分离卷积，听不懂没关系，在我理解下，这东西就是把一个连乘法2*3*4分成了两步，第一步是把第一个2乘个1，然后做三遍2乘1，第二步就是把结果加个四遍，或许不太恰当，但是核心就是把两次乘法拆开，中间变成一步加法（计算机的世界里加法要好算的很多），所以一下子降低了参数量，初学者就记住这一句话就行了，后面看完全部解析自然就会了。

其实深度可分离卷积这玩意是mobilenet V1的东西，不过我懒得再开一章了，就这么讲吧···

上图！！！经典之我是深度可分离卷积，这图可太经典了

------------------经典卷积部分--------------------

首先，在学这玩意之前，你一定要知道经典卷积的过程，知道了就非常好理解，经典卷积就是，一一大堆长宽一样大的特征图，使用同一个卷积核进行卷积，卷积核的厚度就等于一摞特征图的厚度，然后一次卷积就直接干出来一个值，作为下一层卷积的输入特征图的第一层的第一个值。然后整体过完一遍卷积之后，就得到了一张特征图，你想要几张特征图就过几遍，当然这个不一样的遍数卷积核也不一样，这个特征图的张数（厚度）也叫做通道。上面的图片通道就是3

-----------------深度可分离卷积部分-----------------

好嘞，经典卷积说完，轮到主角登场，之前说经典卷积是特征图有多厚他就有多厚，那么有闲得无聊的人就说，那我就偏偏一人一张卷积核行不行，大家就开始讨论，第一层一个卷积核，来一遍，第二层一个卷积核，过一遍，以此类推，是不是最后就得到一摞大小相等的卷积核。这就是上面图的第一张，depthwise convolutiong深度分离卷积。豁，理论存在，实践开始。emmmmmm这时候突然有人说，那我想让不同层图像有关联咋办。那好办，搞个1×1的卷积呗，厚度跟特征图厚度一样，也就是通道数相等，这样既没有损失图像信息，也实现了不同通道的信息关联，也就图中的pointwise 卷积，又叫点卷积。好嘞，这就完成了，来吧算算参数量，好家伙，比经典卷积下降了一大截，来吧今年顶会有了，出门吃火锅。

-----------------------总结-----------------------

好吧其实上面那些仅仅是mobileV1的创新点，最厉害的在V2里面呢（虽然大家都这么说，但是我还是觉得深度可分离卷积太妙了，啥脑子能想出来这种），理解这个网络关键点在于：一定要知道经典卷积的通道数也就是厚度，跟特征图的通道数也就是厚度相等 。一遍卷积过程得到一张特征图，下一遍卷积得到下一张图，输出需要多少通道，也就是厚度，就要做几遍卷积

那么这个就把这种有厚度的大卷积核分成了薄片卷积，然后再变成竖棍卷积，最终实现与经典卷积相同的做法。到此为止。回宿舍睡觉