輕量級網絡:mobilenetv1
神經網絡在實際應用的問題
- 可解釋性差(黑盒子)
- 沒法微調(百分之99%,剩餘的百分之1%沒法更改)
- 內存和CPU使用較高
解決內存CPU高
- 二值化網絡(Binary)
- 輕量級網絡
- Mobilenets
- Shufflenet
- EffNet
mobilenetv1
亮點
- Depthwise separable convolution(輸入通道獨立卷積)
詳解
普通卷積
輸出層數 10層:
需要5*5*3 * 10
分離卷積
輸出層10層
1*1*3 * 10
計算量比較
- 輸出圖像12*12*3
- 輸出圖像8*8*256
Convolution
卷積核大小 5*5*3 256個
數據量:5*5*3*256 =19200
計算量:8*8*5*5*3*256 =1228800
`
- 輸出端的每個點 8*8
- 輸出端的層數 256
- 每個點做的卷積運算(這裏只算了乘法) 5*5*3
`
Depthwise separable convolution
第一步:卷積核大小 5*5*1. 3個
第二步:卷積核大小 1*1*3. 256個
數據量:5*5*1*3 + 1*1*3*256 = 843
計算量:5*5*1*3*8*8+8*8*1*1*3*256 = 53952
計算量對比公式
網絡塊
網絡結構
第一層使用普通卷積
網絡效果
參見論文