MobileNet V1

前言

MobileNet是谷歌团队在2017年提出的，专注于移动端和嵌入式设备的轻量级CNN网络，相比于传统卷积，相比于传统卷积网络，在准确率小幅降低的情况下大大减少了参数量与运算量。

它的主要贡献就是提出了深度可分离卷积与增加超参数alpha 与 beta。

深度可分离卷积

传统卷积

首先我们来回顾一下传统卷积操作如上图，input的channel 为3，那么每个卷积核的channel一定为3，卷积核的数量为4，output 的channel的也一定为4。

对于普通的卷积操作，它既可以融合每个平面（平面指HW维度）的特征也可以融合channel的特征。

Depth Wise Conv

接下来介绍DW卷积，这里input channel还是为3，但是每个卷积核的channel变成了1，只负责input 的一个 channel（以前每个卷积核的channel与input channel一致），这样卷积操作过后就只融合了平面的特征，而没有融合channel特征。

Point Wise Conv

为了弥补空间特征，作者在depth wise conv 后面加入了 point wise conv，其实他就是传统的卷积操作，只不过 kernel size 为 1，那么他就会只融合了channel特征。

性能对比

这里作者把深度可分离卷积分为 DW + PW，下面我们来比较一下它们的计算量：

在这里 Dk代表kernel size ，DF代表feature map的 H or W， M为input channel N为卷积核数量。

MobileNet V2

前言

MobileNet V2 是谷歌团队2018年提出的网络，相比于MobileNet V1。

主要改进

Inverted Residuals Block

Residual Block

首先我们回顾传统的残差块，它是由一个 1 * 1的卷积降维+ 3 * 3 卷积 + 1* 1卷积升维。（激活函数与BN省略）

Expansion Layer

倒残差结构如上图，他是先用 1 * 1卷积升维+DW卷积 + 1* 1卷积降维。

ReLU6

作者把ReLU激活函数换成了ReLU6，y的数值不在随着x的增长而增长，到6之后不再变化。

原因：
由于ReLU的值域是0到正无穷，在低精度浮点数下不能很好的表示，于是改成了ReLU6可以增加模型的稳定性。

这里所说的“低精度”，我看到有人说不是指的float16，而是指的定点运算(fixed-point arithmetic)。

Linear Activation Function

作者通过证明，对低维度做ReLU运算，很容易造成信息的丢失。而在高维度进行ReLU运算的话，信息的丢失则会很少。
所以作者把最后1 * 1卷积降维后的激活函数换成线性激活函数。

小结

把上面内容汇聚到一起，于是就有了如下模块：

这里注意只有stride =1 的时候才有残差模块，因为要保证输入矩阵特征与输出矩阵特征一致才可以执行add操作。

实验