MobileNet是为了解决深度神经网络在有限计算环境下实时计算的需求而提出的轻量化模型。通过深度可分离卷积，它实现了在降低计算量和参数数量的同时保持较高准确性。MobileNet应用于目标检测、人脸属性识别等领域，其后续版本如v2和v3引入了创新如Linear Bottlenecks和Inverted Residuals结构，进一步优化性能。
- MobileNet的出现动机
- 神经网络的两个发展方向
- 现有的缩减模型的方法
- MobileNet论文使用的方法
- 应用领域
- 最终成果
- MobileNet结构
- 标准卷积块和深度可分离卷积块的对比
- 深度可分离卷积
- MobileNet超参数
- MobileNet v2创新点
- MobileNet v3创新点
MobileNet的出现动机
① 为了追求更高的准确率，自AlexNet依赖，神经网络更加倾向于更深，更复杂的设计机构，这就导致对GPU的需求提高，但往往现实生活中很难达到。
② 在实际生活中，识别任务更需要是在有限的计算环境下实时计算。因为基本都是在移动端进行的。例如：自动驾驶，机器人视觉，增强现实。
神经网络的两个发展方向
- 轻量化
SqueezeNet
MobileNet
shuffleNet
Xception - 网络深度
AlexNet
VGGNet
GoogleNet
ResNet
DenseNet
SENet
现有的缩减模型的方法
① 模型压缩：在已经训练好的模型上进行压缩，使得网络携带更少的网络参数
② 直接训练一个小型网络：从改变网络结构出发，设计出更高效地网络计算方式，从而使得网络参数减少的同时，不损失网络的性能。
MobileNet论文使用的方法
- 提出了一类新型网络架构ÿ
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
