MobileNetv1
MobileNet v1是google在2017年提取，其是一个专门为移动和嵌入式设备设计的CNN模型。
论文链接：https://arxiv.org/abs/1704.04861
摘要：
摘要部分主要讲了MobileNet v1是基于流线型结构，其使用深度可分离卷积去构建轻量化神经网络。作者提出两个简单的全局超参数来高效的平衡延迟和准确性，而超参数允许模型构建者基于问题的约束来为其应用选择合适的模型大小。
介绍：
作者提出问题：现在的趋势是为了达到更高的准确率，网络结构越来越深、越来越复杂，但是实际上这些都没有必要的。在真实的应用中，识别任务是需要及时地展现在被限制的计算平台上。
网络结构:
1.深度可分离卷积：深度可分离卷积可以分解为deepwise convolution 和pointwise convolution。这样的分解是对计算量的减少和模型的大小有着很大影响的。
deepwise convolution: 将卷积和变成单通道，输入有M个通道数，就需要M个卷积核，每个通道分别进行卷积，最后做叠加。如图：
pointwise convolution: 用1x1的卷积核进行卷积，作用是对卷积和的特征进行升维。如图：
设输入为 DF x DF x M 的特征图F，产生以一个DF x DF x N的特征图G
对于标准卷积DK x DK，计算量为：
D F ⋅ D F ⋅ M ⋅ N ⋅ D K ⋅ D K D_F \cdot D_F \cdot M \cdot N \cdot D_K \cdot D_K DF⋅DF⋅M⋅N⋅DK⋅DK
对于深度可分离卷积，计算量为：
减少的计算量：
D F ⋅ D F ⋅ M ⋅ D K ⋅ D K + N ⋅ M ⋅ D F ⋅ D F D F ⋅ D F ⋅ M ⋅ N ⋅ D K ⋅ D K = 1 N + 1 D F 2 \frac{D_F \cdot D_F \cdot M \cdot D_K \cdot D_K + N \cdot M \cdot D_F \cdot D_F}{D_F \cdot D_F \cdot M \cdot N \cdot D_K \cdot D_K}=\frac{1}{N} + \frac{1}{D^2_F} DF
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
