MobileNets，google 2017年的新作，论文原文《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》。
MobileNets是专为移动和嵌入式设备的视觉应用设计的高效模型。MobileNets基于流线型结构，使用深度可分离卷积（depthwise separable convolutions）来构建轻量级深度神经网络。
深度可分离卷积是将标准卷积分解为一个深度卷积（depthwise convolution）和一个逐点卷积（pointwise convolution）。
每一层深度卷积核逐点卷积之后都加上batchnorm层和ReLU层。
深度卷积是对每一个输入的channel做一个filter的卷积。逐点卷积是对深度卷积的输出做1 x 1的多filter的卷积。
假设输入的feature map的尺寸是 ，标准卷积核K的尺寸是
，其中
是卷积核的空间尺寸，M是输入channels数量， N是输出channels数量，则生成
（论文中注释说明假设输出的feature map和输入的feature map空间尺寸大小相同）大小的feature map，
是输出feature map的空间尺寸，N是输出通道数。
计算公式如下：
计算量是
而对于深度可分离卷积，其中深度卷积的尺寸是，计算如下：
计算量是
逐点卷积的尺寸是，因此整个深度可分离卷积的计算量是
与标准卷积相比，
通常深度可分离卷积的空间尺寸是3 x 3，因此与标准卷积相比可减少8~9倍的计算量。
MobileNets的密集大部分都集中在1×1卷积上。
为了控制模型的大小，引入了一个超参数：宽度因子α（width multiplier）。输入通道从M变为αM ,输出通道从N变为αN。则计算量变成
其中，
通常取1， 0.75， 0.5， 0.25。
另一个引入的超参数的分辨率因子ρ（resolution multiplier），其中
ρ一般是隐含设置的，使得输入网络的分辨率是224， 192， 160， 128。
最后总的计算量是
下面是一些实验结果。