人工智能学习07--pytorch16--MobileNet网络详解

news2024/11/16 17:59:35

MobileNet详解

在这里插入图片描述

DW卷积：

在这里插入图片描述
每个卷积核的深度为1，而不是像之前一样等于特征矩阵的深度。
每个卷积核只负责输入特征矩阵的一个channel进行卷积运算，再得到相应的输出矩阵的一个channel。
因为每个卷积核只负责一个channel，则采用的特征矩阵的深度就应该与输入特征矩阵的深度相同，这样即可确保每一个卷积核负责一个channel。
又因为每个卷积核与输入特征矩阵的一个channel进行卷积之后，得到一个输出特征矩阵的channel，则输出特征矩阵的深度与卷积核的个数相同，进一步与输入特征矩阵的深度相同。

深度可分的卷积操作

在这里插入图片描述
DW卷积+PW卷积
PW卷积：普通卷积，但是卷积核大小等于1。由上图可以看出，每个卷积核的深度与输入特征矩阵的深度相同，输出特征矩阵的深度与卷积核的个数相同。

相比普通卷积而言，参数的变化：
在这里插入图片描述
均可得到深度为4的特征矩阵。

彩色图像 32个卷积核

针对MobileNet中部分卷积核废掉的问题，设计了MobileNetV2👇

MobileNetV2详解

在这里插入图片描述

（
之前瓶颈结构是因为传统卷积运算量大，可以减少运算量，DW本身减少了运算量，使用倒结构，虽然增大一些运算量，但增大了卷积核个数，可以解决v1版本的缺点
）
relu6：relu激活函数的改进版

对于输入特征矩阵，高x宽x深度：
使用1*1卷积核（个数tk）进行升维处理，所以深度变为tk
↓
进行dw卷积：输出深度与输入深度一样
步距为s，输入特征矩阵的高和宽缩减为原来的1/s倍
↓
1x1的卷积层：采用降维操作，所采用的卷积核个数为k’，所以将特征矩阵的深度变为k’。

在MobileNetV2网络的到残差结构中，不是每一个倒残差结构中都有shortcut捷径分支（上图右下角框）

在这里插入图片描述
每一个block所对应的第一层的bottleneck的步距，其他的都是等于1。若n=2，则bottleneck重复两次，第一层的步距为表里那个s，第二层的就是1。
拓展因子：升维的倍速

↓这个卷积层与全连接层的作用一样，k为分类个数

在这里插入图片描述
基本上已经实现，在移动设备以及嵌入设备上跑深度学习模型了。