详细内容或原文请订阅后点击阅览
MobileNetv1纸演练：微小的巨人
与Pytorch The MobileNetv1纸上演练了解和实施Mobilenetv1：这家小巨人首先出现在数据科学上。
来源:走向数据科学简介
过去专注于提高准确性。他们不断将极限推得越来越高，直到最终意识到模型的计算复杂性变得越来越昂贵。这绝对是研究人员需要解决的问题，因为我们希望深度学习模型不仅能够在高端计算机上运行，而且还能够在小型设备上运行。为了解决这个问题，霍华德等人。早在 2017 年，他们就提出了一种极其轻量级的神经网络模型，称为 MobileNet，他们在题为 MobileNets：用于移动视觉应用的高效卷积神经网络 [1] 的论文中介绍了该模型。事实上，论文提出的模型是MobileNet的第一个版本，俗称MobileNetV1。目前我们已经有四个 MobileNet 版本：MobileNetV1 一直到 MobileNetV4。然而，在本文中，我们将只关注 MobileNetV1，涵盖架构背后的想法以及如何使用 PyTorch 从头开始实现它—— 我将在接下来的文章中保存更高的 MobileNet 版本。
等。 MobileNets：用于移动视觉应用的高效卷积神经网络深度可分离卷积
为了实现轻量级模型，MobileNet 利用了深度可分离卷积的思想，该思想几乎遍及整个网络。下面的图 1 显示了该层（右）和标准卷积层（左）之间的结构差异。从图中可以看到，深度可分离卷积基本上包含两种类型的卷积层：深度卷积和点卷积。除此之外，在构建基于 CNN 的模型时，我们通常遵循 conv-BN-ReLU 结构。这本质上就是在插图中我们在每个转换层之后进行批量归一化和 ReLU 的原因。我们将在后续部分中更深入地讨论深度卷积和点卷积。
深度卷积 组 C