MobileNet
良好的移植性
可以很好的使用在移动设备上做分类、检测、分割等任务
深度可分离卷积(v1核心)
经典卷积算法中,输入的通道数要和过滤器的保持一致,这样很耗费参数
深度可分离卷积
第一步:有多少个输入,就有多少个输出,这一步用来提取特征,然后使用1x1的过滤器增加通道数
第二步:在这一步进行1x1卷积,相当于分成两步提取特征
总结
虽然麻烦了,但是可以减少参数量和计算量,均可以减少到卷积核平方分之一
V1整体网络架构
因为考虑到应用在移动端,模型会量化到int8,所以relu6可以加快模型收敛,增加泛化能力
28层,也可以自己diy模型
网络模型对比
再度压缩模型,速度和大小不能兼得
应用效果,主要应用到主干网络,作为替换,减少模型大小,一般不会单独使用
V2版本
相较于v1,v2的改进
relu会丢失较多的低维数据
V2模型架构
v2和v1的比较
V3版本
SE就是加上注意力机制,就是对于下一层来说,哪一个更重要,要做一个加权
Squeeze
Excitation操作
SE应用到其他模型
v2和v3的对比
多了一个注意力机制,加入se模块
新的激活函数
V3模型架构
这是google算出来最好的模型架构,不建议修改
文章来源:https://www.toymoban.com/news/detail-435433.html
效果分析
文章来源地址https://www.toymoban.com/news/detail-435433.html
- input :输入
- operator :当前层的操作
- exp size :升维
- out :输出
- SE :是否有se模块
- NL :非线性模块,激活函数选择哪个
- s :步长stride
到了这里,关于MobileNet(V1、V2、V3)入门的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!