1、MobileNet
MobileNet网络专注于移动端或者嵌入式设备中的轻量级CNN，相比于传统卷积神经网络，在准确率小幅度降低的前提下大大减少模型参数与运算量。
传统卷积与DW卷积（Depthwise Conv）的差异，在传统卷积中，每个卷积核的channel与输入特征矩阵的channel相等（每个卷积核都会与输入特征矩阵的每一个维度进行卷积运算），输出特征矩阵channel等于卷积核的个数。而在DW卷积中，每个卷积核的channel都是等于1的（每个卷积核只负责输入特征矩阵的一个channel，卷积核的个数=输入特征矩阵的channel数=输出特征矩阵的channel数）
PW卷积实现改变输出特征矩阵的channel，DW卷积后接上一个PW卷积即可，PW卷积是大小为1×1的普通的卷积。通常DW卷积和PW卷积是放在一起使用的，一起叫做Depthwise Separable Convolution（深度可分卷积）
下图是关于参数计算的比较
2、MobileNetV2
V2网络结构中引入了倒残差结构。
ResNet网络中的残差结构是1x1卷积降维->3x3卷积->1x1卷积升维，在倒残差结构中是1x1卷积升维->3x3DW卷积->1x1卷积降维，也就是和残差结构相反的操作。残差结构中基本使用的都是ReLU6激活函数，但是最后一个1x1的卷积层使用的是线性激活函数，因为ReLu激活函数对低位特征信息造成大量损失。
并不是所有的倒残差结构都有shortcut连接，只有当stride=1且输入特征矩阵与输出特征矩阵shape相同时才有shortcut连接，因为只有当shape相同时，两个矩阵才能做加法运算，否则只能进行拼接运算，但是当stride=1时并不能保证输入特征矩阵的channel与输出特征矩阵的channel相同。
输入特征矩阵为hwk，经过11conv(卷积核个数为tk)后为hwtk，【t为一个扩展因子，对应倒残差结构中第一层11conv卷积核的扩展倍率】，再经过一个33步距为s的DW卷积后为h/sw/stk，再经过11conv(卷积核个数为k’)后为h/sw/sk’
网络结构图
3、MobileNetV3
博客链接
版权归原作者 川河w 所有， 如有侵权，请联系我们删除。