MobileNet 原理

一、参数数量和理论计算量

1、定义

参数数量（params）：关系到模型大小，单位通常为M，通常参数用 float32 表示，所以模型大小是参数数量的 4 倍
理论计算量（FLOPs）：

是 floating point operations 的缩写（注意 s 小写），可以用来衡量算法/模型的复杂度，这关系到算法速度，大模型的单位通常为 G，小模型单位通常为 M
通常只考虑乘加操作(Multi-Adds)的数量，而且只考虑 CONV 和 FC 等参数层的计算量，忽略 BN 和PReLU 等等。一般情况，CONV 和 FC 层也会 忽略仅纯加操作 的计算量，如 bias 偏置加和 shotcut 残差加等，目前技术有 BN 的 CNN 可以不加 bias

2、计算公式

 

二、MobileNetV1: Efficient Convolutional Neural Networks for Mobile Vision Applications

1、能够减少参数数量和计算量的原理

 

2、MobileNetV1 中引入的两个超参数

 

3、标准卷积和深度可分离卷积的区别

三、MobileNetV2：Inverted Residuals and Linear Bottlenecks

1、主要改进点

 

2、和 MobileNetV1 的区别

 

3、和 ResNet 的区别

   

转载 https://blog.csdn.net/mzpmzk/article/details/82976871