前言
关于深度学习中的CNN网络结构,前期能够解决问题是第一步,随着计算机技术的发展,移动设备和嵌入式设备随处可见,让移动设备也使用深度学习中的CNN网络结构自然成为一个关注点,由于CNN网络结构的参数多,模型比较大,训练的模型几乎都是几百M的,很难在移动设备运行,所以为了使CNN的网络结构在cpu也能达到理想的速度,轻量化的CNN模型应运而生。
关于轻量化的CNN模型的设计思路有两种:
- 对训练好的浮点模型积进行模型的压缩得到小的模型(通常说的模型量化)
- 直接设计小模型进行训练,满足在cpu上进行推理
其中mobilenet就是针对第二点进行的设计的。现在我们就来看看mobilenet是怎么样训练小的浮点模型的。
mobilenet的结构
mibilenet基本单元
depthwise Convolution:针对每一个通道进行卷积
pointwise Convolution:普通的1*1的卷积
说不清楚,那就看图吧
1)关于dw操作:是对每一个通道单独进行卷积,输出和输出的通道数没有变化
2)关于pw操作:将dw的输出当作输入,进行普通的1*1的卷积操作
还是不直观!!!怎么模型就小了?完全不出来!!!
参数计算
那我们就通过简单的示例进行说明:
普通的卷积操作
- 假设输入D*D*M,卷积核大小为E*E,卷积核个数为N
我们的参数计算公式:卷积核尺寸*输入的channel*卷积核数*输入尺寸
所以普通的一次卷积的参数为E*E*M*N*D*D
mobilenet的卷积操作
1.dw操作:假设输入D*D*M,卷积核大小为E*E,由于是对每个通道单独进行卷积操作,所以dw卷积不会改变通道数,输出还是M
dw操作卷积的参数为E*E*1*M*D*D(这里是单独对每个通道进行操作,所以channel是1)
2.pw操作:输入D*D*M,卷积核大小为1*1,卷积核个数为N
pw操作卷积的参数为1*1*M*N*D*D
所以经过dw和pw的操作,卷积的参数为E*E*1*M*D*D+1*1*M*N*D*D,简化一下就是E*E*M*D*D+M*N*D*D,和普通卷积的E*E*M*N*D*D相比,差别是1/N+1/E2,这里主要看1/E2,一般的卷积采用的是3*3的卷积核,所以这里为1/9,论文中的写出理论值是dw和pw操作后的参数是普通卷积参数的1/8-1/9。
解释了怎样通过dw和pw减少参数了,现在看看具体的模型结构