视频链接：

7.1 MobileNet网络详解_哔哩哔哩_bilibili

7.1.2 MobileNetv3网络详解_哔哩哔哩_bilibili

---

目录

一、MobileNet V1

1. Motivation

2. Novelty

3. Depthwise Convolution（DW 卷积）

4. 模型结构和性能对比

二、MobileNet V2

1. Introduction

2. Novelty

3. Inverted Residuals（倒挂残差结构）

4. Linear Bottlenecks

5. 模型结构和性能对比

三、MobileNet V3

1. Introduction

2. Novelty

3. bneck

4. 重新设计耗时层结构

5. 重新设计激活函数

6. 模型结构和性能对比

---

 

一、MobileNet V1

1. Motivation

现有模型参数量大 VGG：490M、ResNet152：644M，本论文专注于移动端或嵌入式设备的轻量级 CNN。和 VGG16 对比，MobileNet 在 ImageNet 数据集上准确率下降 0.9%，但模型的参数量只有 VGG 的 1/32。

2. Novelty

• Depthwise Convolution（DW 卷积）
• 增加了两个超参数 α（控制卷积层里卷积核个数）、β（控制输入图像大小）

 

3. Depthwise Convolution（DW 卷积）

 DW 卷积由两部分组成：Depthwise Conv + Pointwise Conv（卷积核大小为 1*1 的普通卷积）

 节省计算量的计算：

 

4. 模型结构和性能对比

类 VGG 结构

---

 

二、MobileNet V2

1. Introduction

相比起 MobileNet V1 网络，准确率更高，模型更小。

2. Novelty

• Inverted Residuals（倒挂残差结构）
• Linear Bottlenecks

3. Inverted Residuals（倒挂残差结构）

 激活函数用的是 ReLU6 函数

 

4. Linear Bottlenecks

指的是在 bottleneck 结构里最后一层 1*1 卷积层的激活函数用的是线性激活函数。

现象：随机初始化一个矩阵 T，将输入映射到一个 n 维空间里，经过 ReLU；再将结果乘上 T^-1，得到。

说明：维度（n）越高，经过 relu 函数损失的信息越少。

 由于 bottleneck 结构是一个两端维度低，中间维度（C）高的结构，所以最后一层 1*1 卷积的输出不能接 relu 激活函数，避免损失过多信息。

 

5. 模型结构和性能对比

类 ResNet 结构

 

 

---

三、MobileNet V3

1. Introduction

相比起 MobileNet V2 网络，更准确，更高效。

2. Novelty

• 更新了 Block：bneck
• 使用 NAS 搜索参数
• 重新设计耗时层结构

3. bneck

图中的 NL：非线性激活函数

 SE 模块：

 

4. 重新设计耗时层结构

这是 NAS 搜索出来的结果

 

5. 重新设计激活函数

H-Sigmoid 和 H-Swish 激活函数：

 补充：量化是用更少的数据位宽表示数据，可以起到节约资源、提升性能的作用。（来源：弹幕）

6. 模型结构和性能对比

 

 表中两个结论：

• V3-Large 比 V2 准确率高 3.2% 的同时，latency（延迟）还减少了 20%
• 在 V3-Small 1.0 和 V2 0.35 这两种模型 latency（延迟）差不多的条件下，V3 的准确率比 V2 高 6.6%