MobileNetV1详解

来自大佬

移动端网络

传统的卷积神经网络，内存需求大、运算量大，导致无法在移动设备以及嵌入设备上运行。例如VGG网络的权重参数量有490M,ResNet152的权重大约有640M

MobileNet

网络是谷歌团队在2017年提出的，专注于移动端和嵌入设备的轻量级CNN网络，相比于传统的神经网络，在准确率小幅度降低的前提下大大减少模型的参数与运算量。相比于VGG16准确率减少0.9%，但模型的参数只有VGG1/32。
网络的亮点：

• DW 大大减少运算量和参数数量
• 增加超参的α和β
  传统的卷积
• 卷积核的channel=输入特征矩阵的channel（RGB三个通道需要三个卷积核来负责）
• 输出特征矩阵的channel=卷积核的个数
  DW卷积
• 卷积核channel=1 （RGB三个通道需要一个卷积核来负责）
• 输入特征矩阵channel=卷积核个数=输出特征矩阵channel
  如图所示，图源自大佬
  

深度可分卷积

深度可分卷积是由DW和PW卷积组成的，DW卷积干刚刚上文中有介绍，对于PW卷积与传统的卷积类似，只不过卷积核的大小为11，如下图所示

对于传统卷积和深度可分离卷积，看节省的参数量大小是多少？
假设输入特征矩阵为F,通道数为M,卷积核的大小为K,输出特征矩阵的通道数为N
传统卷积的参数量为：FFMKKN
深度可分离卷积的参数量为（DW+PW）：FFMKK+FFM11N
深度可分离/普通卷积=1/9
关于两个超参数

参数α：卷积核个数的倍率，控制卷积过程中卷积核的个数，α取值为1.075,0.5,0.25，α越小，参数量越小，在检测精度满足需求时，可以适当采用较小值得α
参数β：分辨率的参数，例如224244，分辨率越小，参数量越小。但是检测精度也有小幅度的下降