第五周学习任务：

一.MobileNetV1

对于MoblieNetV1的理解比较直观的解释是：MobileNetV1就是把VGG中的标准卷积层换成深度可分离卷积就可以了。

可分离卷积主要有两种类型：空间可分离卷积和深度可分离卷积。深度可分离卷积（depthwise separable convolution）就是将普通卷积拆分成为一个深度卷积和一个逐点卷积。

 相关代码练习

 

 

 

 

 

二.MobileNetV2 
特点：1.相比于MobileNetV1，先进行了1x1的卷积进行升维，目的在于获得更多特征，然后用3x3的空间卷积，最后再用1x1降维。核心思想是升维再降维，参数量更少。
2.为了避免Relu对特征的破坏，在在3x3网络结构前利用1x1卷积升维，在3x3网络结构后，再利用1x1卷积降维后，不再进行Relu6层，直接进行残差网络的加法。
相关代码练习：

 

 

 

 

 

 三.HybirdSN高光谱分类网络

2D卷积和3D卷积的区别：

2D卷积：

    在二维卷积中，输入的大图片与二维的卷积核进行卷积，输出的是一张二维的小图片（这个小图片也叫做特征矩阵、特征图…），当然也只能提取二维的平面特征。如果数据类型其本身的特征分布是三维的，那么仅仅用二维卷积提取到的特征就会不全面，都没有完全利用输入数据。

3D卷积：

    三维卷积可以同时提取三个维度的数据的特征，能同时进行空间和空间特征表示，但数据计算量要比二维卷积大不少。由于能处理三维的数据特征，所以三维卷积可以用来处理视频上的连续帧，立体图像的图层等（类似于高光谱图像）。

每次分类的结果不一样是因为：1.神经网络的初始化权重。2.网络的随机性部分Drop out。

代码练习：