22、MobileNet v1与v2：轻量级卷积神经网络的演进

MobileNet v1与v2：轻量级卷积神经网络的演进

1. MobileNet v1架构概述

MobileNet v1专为内存受限设备设计，其架构包含以下设计原则：
- 分辨率乘数（Resolution Multiplier） ：在茎卷积组（Stem Convolution Group）引入，用于更激进地减少输入到学习组件的特征图大小，标记为A。
- 宽度乘数（Width Multiplier） ：学习组件添加该参数，以更激进地减少学习组件内的特征图数量，标记为B。
- 深度可分离卷积（Depthwise Convolutionals） ：使用深度可分离卷积（如Xception），在保持表示等价性的同时降低计算复杂度，标记为C。
- 卷积层分类（Convolutional Layer for Classification） ：分类器组件使用卷积层代替全连接层进行最终分类，标记为D。

与之前的模型不同，MobileNet按输入分辨率分类，例如MobileNet - 224的输入为(224, 224, 3)。卷积组遵循前一组滤波器数量加倍的惯例。

1.1 宽度乘数（Width Multiplier）

宽度乘数α（alpha）用于均匀地细化网络各层。通过细化网络，可以减少层间参数数量，并指数级减少矩阵乘法操作。例如，两个100节点的全连接层，每个1D向量通过这两层时会有100 x 100 = 10000次矩阵乘法操作；若将其细化为50个输出参数和50个输入参数，则矩阵乘