理工酷

MobileNet

MobileNet是一种高效且可移植的CNN体系结构，可用于实际的应用程序中。 MobileNet主要使用深度可分离卷积代替早期体系结构中使用的标准卷积来构建较轻的模型.MobileNet引入了两个新的全局超参数（宽度乘数和分辨率乘数），使模型开发人员可以权衡延迟或准确性以提高速度并根据要求减小尺寸。

结构

MobileNet建立在深度可分离卷积层上，每个深度可分离卷积层由一个深度卷积和一个点向卷积组成，将深度卷积和点向卷积算作单独的层，MobileNet有28层，标准MobileNet具有420万个参数，这些参数可以进一步通过适当地调整超参数宽度乘数来减少。

输入图像的尺寸为224×224×3。

下面给出了MobileNet的详细架构：

标准卷积层： 单个标准卷积单位（在上表中由Conv表示）如下所示：

** 深度可分离卷积层** 单个Depthwise可分离卷积单元（在上表中由Conv dw表示）如下所示：

宽度乘数 宽度乘数（用α表示）是一个全局超参数，用于构建更小且计算成本更低的模型，其值介于0和1之间。对于给定的层和α值，输入通道'M'的数量变为αM，同时输出通道数'N'变为αN，因此以性能为代价减少了计算成本和模型尺寸。计算成本和参数数量大致减少了（α的平方）倍。 α的值为1,0.75,0.5,0.25。

分辨率乘数 MobileNet中引入的第二个参数称为分辨率乘数，用ρ表示。此超参数用于降低输入图像的分辨率，随后将输入到每一层的输入因子减少相同。 对于给定的ρ值，输入图像的分辨率变为224*ρ，这将计算成本降低了（ρ的平方）倍。