MoblieNet_V1的pytorch实现

MobileNet结构第一层为普通卷积，其余为深度可分离卷积和全连接层。

深度可分离卷积结构：

左图为普通卷积，右图为深度可分离卷积，一个深度可分离卷积块包括3*3单通道卷积和1*1跨通道卷积，每个卷积后都有BN，ReLU处理。

整体网络结构如下表：

第二行开始，每两行为一个深度可分离卷积操作，pytorch代码：

import torch.nn as nn
from torchsummary import summary


# pading 除了在1*1卷积层中为=0，其余卷积层都为1
class MobileNetV1(nn.Module):
    def __init__(self, ch_in, n_classes):
        super(MobileNetV1, 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)
                )

        # conv_dw表示一组深度可分离卷积，包括单通道卷积和1*1卷积
        def conv_dw(inp, oup, stride):
            return nn.Sequential(
                # dw
                nn.Conv2d(inp, inp, 3, stride, 1, groups=inp, bias=False),
                nn.BatchNorm2d(inp),
                nn.ReLU(inplace=True),

                # pw  1*1卷积
                nn.Conv2d(inp, oup, 1, 1, 0, bias=False),  # pading=0
                nn.BatchNorm2d(oup),
                nn.ReLU(inplace=True),
                )

        self.model = nn.Sequential(
            conv_bn(ch_in, 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.AdaptiveAvgPool2d(1)
        )
        self.fc = nn.Linear(1024, n_classes)


    def forward(self, x):
        x = self.model(x)
        x = x.view(-1, 1024)
        x = self.fc(x)
        return x
model = MobileNetV1(ch_in=3, n_classes=5)  # 修改为自己的分类数量
summary(model, input_size=(3, 224, 224), device='cpu')  # 打印网络结构