标签：部分 idt 总结 cnn 效果 研究 做了 inf 轻量
paper https://arxiv.org/abs/1704.04861
MobileNet 由谷歌在 2017 年提出，是一款专注于在移动设备和嵌入式设备上的 轻量级 CNN神经网络，并 迅速 衍生了 v1 v2 v3 三个版本；
相比于传统的 CNN 网络，在准确率小幅降低的前提下，大大减小模型参数和运算量；
一句话概括，V1 就是 把 vgg 中标准卷积层 换成了 深度可分离卷积；
模型亮点：
1. 深度可分离卷积，大大减少参数量
2. 增加超参 α、β
可分离卷积大致可以分为 空间可分离 和 深度可分离；
顾名思义，就是把一个 大卷积核 换成两个 小卷积核，例如；
非本文重点，简单介绍；
深度可分离 由 深度卷积 + 逐点卷积 组成；
深度卷积：论文中称为 DW 卷积，就是 把 卷积核 变成 单通道，输入有 M 个通道数，就需要 M 个卷积核，每个通道 分别进行卷积，最后做叠加，如下图
逐点卷积：论文中称为 PW 卷积，就是用 1x1 的卷积核进行卷积，作用是 对深度卷积后的 特征 进行 升维；
上面两步实现的效果如下图
可以看到输出 的 shape 是一样的；
下面我们看看在 输入输出 shape 一样时各自的参数量
标准卷积
params：Dk x Dk x M x N
计算量：Dk x Dk x M x Dh x Dw x N
可分离卷积
params：Dk x Dk x M + M x N
计算量：Dk x Dk x M x Dh x Dw + M x Dh x Dw x N
计算一下减少量
N 为 输出通道数， Dk 为 卷积核 size，如果 size 为 3，减小了 1/9 左右，厉害了；
把 vgg 的标准卷积 和 V1 的深度可分离卷积 对比看下
看到了 深度卷积 （3x3 Depthwise）和逐点卷积 （1x1 conv）；
同时看到了 Relu6，什么鬼？
上图，一看便知
Relu6 对 大于 0 的部分做了一个边界，作者认为，在模型精度要求不是很高的情况下，边界使得模型鲁棒性更强；
强行压缩数值比较大的特征，避免了 个性特征，也相当于 规范了特征，防止过拟合，玄学要自己体会；
说了那么多，该上结果了
Conv 代表标准卷积，Conv dw 代表深度可分离卷积，s2 代表步长为2，s1 代表步长为1；
标准卷积是在 原特征 上进行多次卷积，而 深度可分离卷积 是在 卷积后的 特征上 进行 多次卷积，直观的感觉是，后者提取的特征不如前者，性能应该差点；
为了验证 V1 的效果，作者做了各种实验；
1. 分别用 标准卷积 和 深度可分离卷积 实现 MobileNetV1
可以看到 效果确实不如 标准卷积，但是 ACC 相差不大， 可喜的是 参数量和计算量 大大降低，约 1/9；
2. 把 V1 和 其他经典网络比较
ACC 优于 GoogleNet，差于 VGG16，但相差都不太大，但是参数量和计算量大大降低；
3. 把 V1 用于 目标检测算法
mAP 相差不是特别大，计算量大大降低；
总结一句话，就是 V1 效果不输其他网络，但计算量和参数量大大降低；
使用中发现， depthwise 部分的卷积核很容易废掉，即卷积核参数大部分为 0；
MobileNetV2 对此进行了分析和优化；
paper https://arxiv.org/abs/1801.04381
MobileNetV2 是由 谷歌 在 2018 年提出，相比 V1，准确率更好，模型更小；
模型亮点：
1. Inverted Residuals（倒残差结构）
2. Linear bottlenecks
一看到 残差，就想到 resnet 了，先来看看 resnet 的 residual block
我们看右边的 block，在 resnet 中 这个 block 专为 深层网络设计，可大大减少 参数量；它先 通过 1x1 把 256 channel 变成 64 做降维，然后是 3x3 conv，再接着 1x1 还原为 256 channel 做升维；
总结一句就是先降维再升维，两头胖，中间瘦；
而 倒残差结构就是 两头瘦，中间胖；
如下图
在具体网络设计时，经过试验，作者并不是把 所有 block 都加上了 残差结构，所以 V2 中有两种 block；
只有 Stride=1 时，才有 残差结构；
我们看到上面的 残差结构 末尾 是 Linear 而不是 Relu，为什么呢？
作者经过研究，发现在 V1 中 depthwise 中有 0 卷积的原因就是 Relu 造成的，换成 Linear 解决了这个问题；
作者做了如下实验
作者把一个 二维 流形 数据【图1】 作为 输入， 然后 用不同维度的矩阵 T 把它映射到 高维，然后经过 Relu 输出，再把 输出 经过 T-1 还原成 二维，发现，在 低维 【图2 3】 时，Relu 对信号的损失非常大，随着维度增加，损失越来越小；
结论就是 Relu 对低维信号 损失很大；
回想一下 深度卷积，深度卷积是单通道卷积，只有 1 维，经过 relu 后，即使是 融合后再 Relu 也只有 3 维，信号损失很大，如果学到的信号完全没有用，那就不用学了， w 自然是 0 ；
问题又来了，既然 depthwise 时 relue 造成了信号损失，为什么不换 DW 的 relue，而是把 逐点卷积 的 激活函数 换成 Linear 了？
1. 首先 dw 的 relu 造成 大量损失是因为 Input 的 channel 太少了，如果 Input 的 channel 不少呢，就不损失了，那就没问题了，所以重点不是换不换 relue，是解决 低 channel 的问题；
2. 既然 channel 少，我给你增加 channel 不就好了，就是 1x1 升维咯；
3. 升完了，我再降回来，将回来之后， channel 就少了，那就换成 linear 咯；
4. 于是 倒残差结构 形成咯，再就是画道线的事，参考 resnet 而已；
一句话，又好又快
标签：部分 idt 总结 cnn 效果 研究 做了 inf 轻量
原文地址：https://www.cnblogs.com/guweixin/p/14752249.html
