MobileNetV2详细原理（含torch源码）

 

目录

MobilneNetV2原理

MobileNetV2的创新点：

MobileNetV2对比MobileNetV1

MobilneNetV2源码（torch版）

训练10个epoch的效果

---

MobilneNetV2原理

        MobileNetV2是由谷歌开发的一种用于移动设备的轻量级卷积神经网络。与传统卷积神经网络相比，它具有更高的计算效率和更小的模型尺寸，可以在移动设备上实现高精度的图像识别任务。

        MobileNetV2的主要原理是使用深度可分离卷积来减少模型的参数数量和计算量。深度可分离卷积将传统的卷积操作分解为两个独立的操作：深度卷积和逐点卷积。深度卷积仅在通道维度上进行卷积操作，而逐点卷积仅在空间维度上进行卷积操作。这种分解能大大降低计算复杂度，同时保持较高的分类精度。

        另外，MobileNetV2还使用了线性瓶颈函数来加速网络训练，以及Inverted Residuals结构来充分使用低维特征信息。

线性瓶颈结构：

MobileNetV2两种残差块：

        它还采用了轻量级的特征网络Design Spaces提升性能的策略，优化卷积核大小和数量，调整网络宽度和深度，最终得到一个更加高效的网络。网络结构图如下：

 

MobileNetV2的创新点：

        MobileNetV2相较于MobileNetV1在以下方面进行了创新：

1. Inverted Residuals：MobileNetV2使用了Inverted Residuals结构，将输入先进行低维变换，再使用残差模块加上上采样，最后使用1x1卷积进行通道变换，从而减少计算量。

2. Linear Bottlenecks: MobileNetV2使用1x1卷积核将输入通道数缩小到一个较小的值，然后进行卷积操作，最后再使用1x1卷积通道扩展回原来的通道数。这样可以减少计算量和参数量，同时提高模型准确度。

3. 使用深度可分离卷积：MobileNetV2中使用了深度可分离卷积，在计算相同的特征图时用的参数远少于传统卷积。而且，深度可分离卷积允许使用不同的卷积核、池化层和标准化层，从而提高了模型的