文章目录
-
- [1. MobileNet V1](#1. MobileNet V1)
- [2. MobileNet V2](#2. MobileNet V2)
- [3. MobileNet V3](#3. MobileNet V3)
传统卷积神经网络，内存需求大、运算量大，导致无法在移动设备以及嵌入式设备上运行。
MobileNet网络是由google团队在2017年提出的，专注于移动端或者嵌入式设备中的轻量级CNN网络。相比传统卷积神经网络，在准确率小幅降低的前提下大大减少模型参数与运算量。（相比VGG16准确率减少了0.9%，但模型参数只有VGG的1/32）
1. MobileNet V1
论文：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
网络亮点：
- 深度可分离卷积（大大减少运算量和参数数量）
- 增加超参数， 控制卷积层卷积核个数的参数 α 和控制输出图像大小的参数 β 控制卷积层卷积核个数的参数\alpha和控制输出图像大小的参数\beta 控制卷积层卷积核个数的参数α和控制输出图像大小的参数β，这两个参数是手动设定的，并不是学习得来的
传统卷积
卷积核通道 = 输入特征矩阵通道
输出特征矩阵通道 = 卷积核个数
深度可分离卷积 Depthwise Separable Conv：DW Conv+PW Conv
1.逐通道卷积 Depthwise Conv（DW Conv）
卷积核通道 = 1
输入特征矩阵通道 = 卷积核个数 = 输出特征矩阵通道
Depthwise Convolution的一个卷积核负责一个通道，一个通道只被一个卷积核卷积
一张 5 × 5 5\times5 5×5像素、三通道彩色输入图片（shape为 5 × 5 × 3 5\times5\times3 5×5×3），Depthwise Convolution首先经过第一次卷积运算，DW完全是在二维平面内进行。卷积核的数量与上一层的通道数相同（通道和卷积核一一对应）。所以一个三通道的图像经过运算后生成了3个Feature map(如果有same padding则尺寸与输入层相同为 5 × 5 5\times5 5×5)，如下图所示。
其中一个Filter只包含一个大小为 3 × 3 3\times3 3×3的Kernel，卷积部分的参数个数计算如下： N _ d e p t h w i s e = 3 × 3 × 3 = 27 N\_depthwise = 3\times3 \times3 = 27 N_depthwise=3×3×3=27
Depthwise Convolution完成后的Feature map数量与输入层的通道数相同，无法扩展Feature map。而且这种运算对输入层的每个通道独立进行卷积运算，没有有效的利用不同通道在相同空间位置上的feature信息。因此需要Pointwise Convolution来将这些Feature map进行组合生成新的Feature map。
DW部分的卷积核容易废掉，即卷积核参数大部分为0。
2.逐点卷积 Pointwise Conv （PW Conv）
Pointwise Convolution的运算与常规卷积运算非常相似，它的卷积核的尺寸为 1 × 1 × M 1\times1\times M 1×1×M，M为上一层的通道数。所以这里的卷积运算会将上一步的map在深度方向上进行加权组合，生成新的Feature map。有几个卷积核就有几个输出Feature map。
理论上，普通卷积计算量是DW+PW的8到9倍。
MobileNet V1网络结构
2. MobileNet V2
论文：MobileNetV2: Inverted Residuals and Linear Bottlenecks
MobileNet V2网络是由google团队在2018年提出的，相比MobileNet V1网络，准确率更高，模型更小。
网络亮点：
- Inverted Residuals（倒残差结构）
- Liner Bottlenecks（线性瓶颈）
Resnet中的残差结构：（激活函数采用ReLU）
- 先使用 1 × 1 1\times1 1×1的卷积核进行降维操作
- 再进行常规卷积操作
- 再使用 1 × 1 1\times1 1×1的卷积核进行升维操作
倒残差结构：（激活函数采用ReLU6）
- 先使用 1 × 1 1\times1 1×1的卷积核进行升维操作
- 在进行DW（逐通道卷积）卷积
- 然后在使用 1 × 1 1\times1 1×1的卷积核进行降维处理（PW逐点卷积）
ReLU6激活函数：
y = R e L U 6 ( x ) = m i n ( m a x ( x , 0 ) , 6 ) y = ReLU6(x) = min(max(x,0),6) y=ReLU6(x)=min(max(x,0),6)
Linear Bottlenecks (线性瓶颈)
先说瓶颈（Bottleneck）， 1 × 1 1\times1 1×1卷积小像个瓶口所以叫瓶颈，该词的来源是resnet的经典网络使用的词汇，当前的MobileNet v2依旧使用了该结构的block。
再说linear，如下图，从下往上看的，看最后的pointwise卷积，之前的pointwise卷积是升维的，轮到最后的pointwise卷积就是降维，设计该网的作者说高维加个非线性挺好，低维要是也加非线性就把特征破坏了，不如线性的好，所以1*1后不加ReLU6 ，改换线性。
针对倒残差结构的最后一个 1 × 1 1\times1 1×1的卷积层，使用了线性激活函数，而非ReLU激活函数。
ReLU激活函数对低维特征信息造成大量损失
当stride=1且输入特征矩阵与输出特征矩阵shape相同时才有shortcut连接。
MobileNet V2网络结构
3. MobileNet V3
论文：Searching for MobileNetV3
网络亮点：
- 更新Block（benck）
- 使用NAS搜索参数（Neural Architecture Search）
- 重新设计耗时层结构
更新Block
-
加入了SE模块（注意力机制）
-
更新了激活函数
注意力机制部分：
H-sig：Hard-sigmoid激活函数
重新设计激活函数：
使用swish激活函数，公式如下。
s w i s h ( x ) = x ⋅ σ ( x ) σ ( x ) = 1 1 + e − x swish(x) = x·\sigma(x)\\ \sigma(x) = \frac{1}{1+e^{-x}} swish(x)=x⋅σ(x)σ(x)=1+e−x1
σ ( x ) \sigma(x) σ(x)为sigmoid激活函数。
swish激活函数计算、求导复杂，对量化过程不友好，因此，作者提出了h-swish激活函数。
R e L U 6 ( x ) = m i n ( m a x ( x , 0 ) , 6 ) ReLU6(x) = min(max(x,0),6) ReLU6(x)=min(max(x,0),6)
h − s i g m o i d = R e L U 6 ( x + 3 ) 6 h-sigmoid = \frac{ReLU6(x+3)}{6} h−sigmoid=6ReLU6(x+3)
h − s w i s h ( x ) = x R e L U 6 ( x + 3 ) 6 h-swish(x) = x\frac{ReLU6(x+3)}{6} h−swish(x)=x6ReLU6(x+3)
在很多时候，我们会选择使用h-sigmoid激活函数来替换sigmoid激活函数。使用h-swish激活函数来替代h-swish激活函数。
重新设计耗时层结构
1.减少第一个卷积层的卷积核个数（32->16）
2.精简Last Stage
这样调整后，作者发现，在准确率方面没有发生很大的变化，但是节省了7毫秒（占推理过程的11%）的执行时间。
MobileNet V3-Large网络结构
注意：在第一个bneck中，并没有使用 1 × 1 1\times1 1×1对卷积进行升维操作。