- 是对MobileNet-V1的改进，同样是一个轻量化卷积神经网络
40.1 设计思想
- 采用Inverted residuals
- 为了保证网络可以提取更多的特征，在residual block中第一个1*1 Conv和3*3 DW Conv之前进行通道扩充
- Linear bottlenecks
- 为了避免Relu对特征的破坏，在residual block的Eltwise sum之前的那个 1*1 Conv 不再采用Relu
- stride=2的conv不使用shot-cot，stride=1的conv使用shot-cut
40.2 网络架构
- Inverted residuals
- ResNet中Residuals block先经过1*1的Conv layer，把feature map的通道数降下来，再经过3*3 Conv layer，最后经过一个1*1 的Conv layer，将feature map 通道数再“扩张”回去
- 即采用先压缩，后扩张的方式。而 inverted residuals采用先扩张，后压缩的方式。
-
MobileNet采用DW conv提取特征，由于DW conv本身提取的特征数就少，再经过传统residuals block进行“压缩”，此时提取的特征数会更少，因此inverted residuals对其进行“扩张”，保证网络可以提取更多的特征
- Linear bottlenecks
- ReLu激活函数会破坏特征
- ReLu对于负的输入，输出全为0，而本来DW conv特征通道已经被“压缩”，再经过ReLu的话，又会损失一部分特征
-
采用Linear，目的是防止Relu破坏特征
- shortcut
-
stride=2的conv不使用shot-cot，stride=1的conv使用shot-cut
-
- 网络架构
大数据视频推荐：
网易云课堂
CSDN
人工智能算法竞赛实战
AIops智能运维机器学习算法实战
ELK7 stack开发运维实战
PySpark机器学习从入门到精通
AIOps智能运维实战
腾讯课堂
大数据语音推荐：
ELK7 stack开发运维
企业级大数据技术应用
大数据机器学习案例之推荐系统
自然语言处理
大数据基础
人工智能：深度学习入门到精通
