MobileNet
良好的移植性
可以很好的使用在移动设备上做分类、检测、分割等任务
深度可分离卷积（v1核心）
经典卷积算法中，输入的通道数要和过滤器的保持一致，这样很耗费参数
深度可分离卷积
第一步：有多少个输入，就有多少个输出，这一步用来提取特征，然后使用1x1的过滤器增加通道数
第二步：在这一步进行1x1卷积，相当于分成两步提取特征
总结
虽然麻烦了，但是可以减少参数量和计算量，均可以减少到卷积核平方分之一
V1整体网络架构
因为考虑到应用在移动端，模型会量化到int8，所以relu6可以加快模型收敛，增加泛化能力
28层，也可以自己diy模型
网络模型对比
再度压缩模型，速度和大小不能兼得
应用效果，主要应用到主干网络，作为替换，减少模型大小，一般不会单独使用
V2版本
相较于v1，v2的改进
relu会丢失较多的低维数据
V2模型架构
v2和v1的比较
V3版本
SE就是加上注意力机制，就是对于下一层来说，哪一个更重要，要做一个加权
Squeeze
Excitation操作
SE应用到其他模型
v2和v3的对比
多了一个注意力机制，加入se模块
新的激活函数
V3模型架构
这是google算出来最好的模型架构，不建议修改
效果分析
- input ：输入
- operator ：当前层的操作
- exp size ：升维
- out ：输出
- SE ：是否有se模块
- NL ：非线性模块，激活函数选择哪个
- s ：步长stride
