MobileNetV3中的Boottleneck模块

MobileNetV3中的Bottleneck是网络中的基本模块，用于构建整个网络。

下面是MobileNetV3中Bottleneck的详细结构：

Bottleneck(input_channels, output_channels, expansion_factor, stride, use_se, activation)

其中，参数的含义如下：

• input_channels: 输入通道数。
• output_channels: 输出通道数。
• expansion_factor: 扩展因子，控制中间扩展层的通道数。通常情况下，expansion_factor大于1。
• stride: 步幅，控制该模块的下采样程度。
• use_se: 是否使用SE模块，SE模块用于增强通道间的交互性。
• activation: 激活函数，通常为ReLU或者HSwish。

Bottleneck模块的具体结构如下：

1. 输入通过一个1x1卷积层进行通道数的调整，将通道数从input_channels调整为input_channels * expansion_factor。
2. 对调整后的特征图应用批归一化（Batch Normalization）。
3. 使用激活函数进行非线性变换，通常为ReLU或者HSwish。
4. 如果stride大于1，则应用一个 kxk 的深度可分离卷积（Depthwise Convolution）进行下采样，其中 k 是根据步幅计算得到的卷积核大小。
5. 对下采样后的特征图应用批归一化。
6. 使用激活函数进行非线性变换。
7. 如果use_se为True，则引入SE(Squeeze Exciting)模块，该模块用于增强通道间的交互性。SE模块包括全局平均池化（Global Average Pooling）、一个全连接层和激活函数。
8. 使用1x1卷积层对特征图进行通道数的调整，将通道数从input_channels * expansion_factor调整为output_channels。
9. 对最终输出进行批归一化。

以上就是MobileNetV3中Bottleneck模块的详细结构。整个网络由多个Bottleneck模块组成，通过堆叠和串联这些模块来构建整体的深度神经网络结构。