本文深入解析MobileNet架构，重点介绍其创新的Depthwise Convolution（深度可分离卷积）技术，通过将传统卷积分解为两步，显著减少参数数量而不大幅牺牲精度。实验表明，使用该技术的MobileNet相较于传统卷积网络，参数量减少至1/7，精度仅下降1%。
MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
大名鼎鼎的MobileNet，实习的时候发现工业界用的很多！今天要一探究竟了~
Depthwise Conv
本文首先对传统的卷积进行了改进（我一开始学的时候也觉得conv filter能不能换一种形式，然而两年过来了也没深入思考过了。惯性思维，相信权威……）
不再是conv filter通道数匹配feature的通道数，filter个数决定这一层feature通道数。
而是传统的conv被拆成了两步进行：
第一步，每一个filter（只有一个通道）对应输出一个feature的channel（也不用求和了），所以输出channel=M的feature，再用一个1x1conv把它变成N通道的feature
以实现和传统conv相同的目的
同样是MobileNets的架构，使用可分离卷积，精度值下降1%，而参数仅为1/7，厉害啊！
Structure
结构这张表很清晰了：
其他细节
摘要这段话挺有意思：
这两个参数在3.3 & 3.4节阐述了，不过我可能暂时用不到
扫一扫
2472
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
