当前位置： 首页 > article >正文

MobileNet（V1、V2、V3）入门

article 2024/11/15 8:40:56

MobileNet

在这里插入图片描述

良好的移植性

可以很好的使用在移动设备上做分类、检测、分割等任务
在这里插入图片描述

深度可分离卷积（v1核心）

经典卷积算法中，输入的通道数要和过滤器的保持一致，这样很耗费参数

在这里插入图片描述
在这里插入图片描述

深度可分离卷积

第一步：有多少个输入，就有多少个输出，这一步用来提取特征，然后使用1x1的过滤器增加通道数
在这里插入图片描述
在这里插入图片描述
第二步：在这一步进行1x1卷积，相当于分成两步提取特征
在这里插入图片描述

总结

在这里插入图片描述

虽然麻烦了，但是可以减少参数量和计算量，均可以减少到卷积核平方分之一

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

V1整体网络架构

因为考虑到应用在移动端，模型会量化到int8，所以relu6可以加快模型收敛，增加泛化能力

在这里插入图片描述

28层，也可以自己diy模型

在这里插入图片描述

网络模型对比

在这里插入图片描述

再度压缩模型，速度和大小不能兼得

在这里插入图片描述
在这里插入图片描述

应用效果，主要应用到主干网络，作为替换，减少模型大小，一般不会单独使用

在这里插入图片描述

V2版本

相较于v1，v2的改进

在这里插入图片描述

relu会丢失较多的低维数据

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

V2模型架构

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

v2和v1的比较

在这里插入图片描述

V3版本

在这里插入图片描述

SE就是加上注意力机制，就是对于下一层来说，哪一个更重要，要做一个加权

在这里插入图片描述

Squeeze

在这里插入图片描述

Excitation操作

在这里插入图片描述

SE应用到其他模型

在这里插入图片描述

v2和v3的对比

多了一个注意力机制，加入se模块
在这里插入图片描述

新的激活函数

在这里插入图片描述

V3模型架构

这是google算出来最好的模型架构，不建议修改
在这里插入图片描述

效果分析

在这里插入图片描述

  • input ：输入
  • operator ：当前层的操作
  • exp size ：升维
  • out ：输出
  • SE ：是否有se模块
  • NL ：非线性模块，激活函数选择哪个
  • s ：步长stride

http://www.kler.cn/a/17309.html

相关文章：

  • 手动实现promise的all，race，finally方法
  • Dockerfile的使用
  • RabbitMQ高效的消息队列中间件原理及实践
  • win11 新建一个批处理，双击查看本机的IP地址
  • Docker 篇-Docker 详细安装、了解和使用 Docker 核心功能（数据卷、自定义镜像 Dockerfile、网络）
  • MySQL与Oracle对比及区别
  • 状态机模式
  • 男子订民宿被毁约5个家庭漂泊街头 房东：住满了，没办法
  • Maven 知识点总结
  • 日撸 Java 三百行day38
  • Springboot +Flowable，任务认领和回退（一）
  • 【JavaEE】应用层自定义协议及UDP协议
  • 【技术选型】Elasticsearch 和Solr那个香？
  • shell脚本 cut工具
  • 智能交通：从车牌识别到城市智能停车
  • Linux 中实现 ssh 免密登录
  • 联通云正式启动“同舟计划”，点燃数字引擎赋能产业未来
  • 100+Python挑战性编程练习系列 -- day 3
  • 2008-2019年主要城市PITI指数
  • 简单有趣的轻量级网络 Efficientnet（网络结构详解+详细注释代码+核心思想讲解）——pytorch实现
  • 华为OD机试 - 快递业务站（Python）
  • 三分钟教你看懂 spring 官方文档
  • 【ansys】project may be corrupted and recovery information is available
  • 达梦：dts工具迁移mysql decimal(65,30)的字段，报精度超出定义
  • 净利润下滑13%，帅丰电器已掉队？
  • ChatGPT 探讨内存屏障的意内存