小白学mobilenet_v1：轻量级CNN

从2012年的Alexnet夺得 ILSVRC 2012冠军开始，CNN在图像识别领域层出不穷，出现了各种各样的网络架构，但是近年来都是依靠增加网络的深度和广度来提高准确率的，需要大量的使用GPU。但是要注意的是，这些在学术上的成就并不能应用到现实中，因为计算资源需求太高，而现实中的设备并没有这么强的算力。因此，作者提出了一种轻量级的CNN，大大减少了计算量，可以应用于手持设备上。

下面我们直奔主题，看看mobilenet的体系结构，分析下为何它能够实现轻量级，少计算吧！
其实，文章的核心思想挺简单，就是分解卷及操作。

---

一、深度可分卷积

MobileNet模型基于深度可分卷积（depthwise separable
convolution），这是一种分解卷积的形式，将标准卷积分解成深度卷积（depthwise convolution）和被称为点卷积（pointwise convolution）的1x1卷积。
下图显示了深度可分卷积的主要原理：

1. 首先，（a）表示了标准的卷积：对于HxWxM的feature map（通常H=W，M为通道数），有N个D_k xD_k xM的过滤器来进行卷积操作

2. （b）和（c）一起表示了深度可分卷积的处理步骤：
   明确一点：feature map是由M层HxW大小的特征图堆叠起来的。
   首先ÿ