1.背景:
在传统卷积神经网络中,内存需求大、运算量大,导致无法在移动设备以及嵌入式设备上运行。
2.MobileNet:
MobileNet大大减少模型的参数与运算量;
增加了超参数α(控制卷积层、核数量)、β(控制输入图像尺寸)。
3.传统卷积:
卷积核通道 = 输入特征矩阵通道
输出特征矩阵通道 = 卷积核个数
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/d053e57ba1b867f1263ae5de434b9a67.png)
4.深度可分卷积:DW卷积和PW卷积
DW卷积:
卷积核通道=1
输入特征矩阵通道=卷积核个数=输出特征矩阵通道
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/011b660c3c40dfd051ff78bc416a9505.png)
PW卷积:
传统卷积一样:
卷积核通道 = 输入特征矩阵通道
输出特征矩阵通道 = 卷积核个数
但是,卷积核的大小为1.
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/6be8ef2319115a2779d0bef67a752588.png)