CNN模型之MobileNet总结

背景

• 为移动端和嵌入式端深度学习应用设计的网络
• mobile net V1论文：https://arxiv.org/pdf/1704.04861.pdf
• mobile net V2论文：https://128.84.21.199/pdf/1801.04381.pdf

原理

• mobile net 深度可分离卷积与标准卷积计算量对比： 
  • 输入特征图大小，输出特征图大小是，标准卷积是
  • 下图分子是深度可分离卷积计算量，分母是标准卷积计算量

• mobile net V1主要创新点：引入depth-wise separable convolution, 网络结构上没有采用shortcut
• mobile net V2主要创新点：
  • 引入inverted residuals：先经过1*1的Conv layer扩张通道，再经过3*3的depth-wise Conv layer，最后经过1*1的Conv layer压缩通道
  • 采用linear bottlenecks：为避免在低维空间中Relu对特征的破坏，在inverted residuals中最后那个1*1的Conv layer不再采用Relu激活
  • 采用shortcut连接
• mobile net V1与V2网络结构

mobile net V1

mobile net V2 t：表示扩张倍数； c：表示通道数；n：表示重复次数；s：表示步长 bottleneck结构 PS：注意下图中第5行Input有你刚刚是14^2*32

 

源码