动手记录模型:mobilenetv1

轻量级网络:mobilenetv1

神经网络在实际应用的问题

1. 可解释性差(黑盒子)
2. 没法微调(百分之99%，剩余的百分之1%没法更改)
3. 内存和CPU使用较高

解决内存CPU高

• 二值化网络(Binary)
• 轻量级网络

1. Mobilenets
2. Shufflenet
3. EffNet

mobilenetv1

论文
github

亮点

• Depthwise separable convolution(输入通道独立卷积)

---

---

---

详解

普通卷积

输出层数 10层：

需要5*5*3 * 10

分离卷积

输出层10层

---

1*1*3 * 10

计算量比较

• 输出图像12*12*3
• 输出图像8*8*256

---

Convolution
卷积核大小 5*5*3 256个
数据量:5*5*3*256 =19200
计算量:8*8*5*5*3*256 =1228800
`

• 输出端的每个点 8*8
• 输出端的层数 256
• 每个点做的卷积运算(这里只算了乘法) 5*5*3
  `

---

Depthwise separable convolution
第一步:卷积核大小 5*5*1. 3个
第二步:卷积核大小 1*1*3. 256个
数据量:5*5*1*3 + 1*1*3*256 = 843
计算量:5*5*1*3*8*8+8*8*1*1*3*256 = 53952

---

计算量对比公式

$\frac{5*5*1*3*8*8+8*8*1*1*3*256}{8*8*5*5*3*256}$8∗8∗5∗5∗3∗2565∗5∗1∗3∗8∗8+8∗8∗1∗1∗3∗256​

$\frac{1}{256}+\frac{1}{5*5}$2561​+5∗51​

网络块

网络结构

第一层使用普通卷积

网络效果

参见论文

代码实现

pytorch

tensorflow

caffe

注意