AI笔记 - 网络模型 - mobileNet

mobileNet V1

网络结构

MobileNetV1可以理解为VGG中的标准卷积层换成深度可分离卷积

可分离卷积主要有两种类型：空间可分离卷积和深度可分离卷积，这里使用深度可分离卷积。

深度可分离卷积

深度可分离卷积，将普通卷积拆分成为一个深度卷积和一个逐点卷积

1. 深度卷积
   
   与标准卷积网络区别是将卷积核拆分成为单通道形式，在不改变输入特征图像的深度的情况下，对每一通道进行卷积操作，得到和输入特征图通道数一致的输出特征图。如上图：12×12×3的特征图，经过5×5×1×3的深度卷积后，得到8×8×3的输出特征图。输入和输出维度是不变(都是3).

2. 逐点卷积
   
   在深度卷积的过程中得到8×8×3的输出特征图，用256个1×1×3的卷积核对输入特征图进行卷积操作，输出的特征图和标准的卷积操作一样都是8×8×256了

3. 优点
   更少的参数，更少的运算，但是能达到差不多的结果；按照3×3的卷积核计算，参数和计算量会下降到原来的九分之一到八分之一
   
   

空间可分

离卷积
将一个大的卷积核变成两个小的卷积核，比如将一个3×3的核分成一个3×1和一个1×3的核：

参考

轻量级神经网络系列——MobileNet V1