本文最后更新于 393 天前，其中的信息可能已经有所发展或是发生改变。

MobileNet V1

主要特点：把卷积拆分为Depthwise和Pointwise两部分（深度可分离卷积Separable convolution），用步长为2的卷积代替池化。
Depthwise和Pointwise图解：

假设有$N \times H \times W \times C$的输入，普通卷积是做$k$个3×3的卷积，且same padding，$stride=1$，输出为$N \times H \times W \times k$。depthwise是将此输入分为$group=C$组，然后每组做一次卷积，相当于收集了每个channel的特征，输出依然是$N \times H \times W \times C$。pointwise是做$k$个普通的1×1卷积，相当于收集了每个点的特征。depthwise+pointwise的输出也为$N \times H \times W \times k$。

普通卷积和MobileNet卷积对比如下图所示。计算一下两者的参数量：
- 普通卷积为：$C \times k \times 3 \times 3$
- depthwise+pointwise：$C \times 3 \times 3 + C \times k \times 1 \times 1$
- 压缩率为$\frac{depthwise+pointwise}{conv}=\frac{1}{k} + frac{1}{3 \times 3}$

进一步压缩模型：引入了width multiplier，所有通道数乘以$\alpha \in (0,1]$（四舍五入），以降低模型的宽度。

MobileNet V2

主要特点：引入残差结构；采用linear bottenecks + inverted residual结构，先升维后降维；使用relu6（最大输出为6）激活函数，使模型在低精度计算下有更强的鲁棒性。
linear bottenecks + inverted residual结构如下图所示。
- V2版本依然是使用depthwise和pointwise，不同的是在depthwise前加了一个1×1卷积来扩大通道数目扩张系数为$t$，即通道数目扩大$t$倍，以增加特征丰富性。在pointwise之后再加1×1卷积将通道数目压缩至原输入的数目。
- V2版本去掉了第二个1×1卷积之后的激活函数，称为linear bottleneck。作者认为激活函数在高维空间能够有效地增加非线性，但在地位空间会破坏特征。

与残差模块的对比：

V2网络结构：

MobileNet V3

主要特点：引入SE（squeeze and excitation）结构；使用hard swish激活函数；头部卷积通道数量由32变为16；V2在预测部分使用了一个bottleneck结构来提取特征，而V3用两个1×1代替了这个操作；结构用NAS技术生成
SE轻量级注意力结构，如下图所示。在depthwise后加入SE模块，首先globalpool，然后1×1卷积将其通道压缩为原来的1/4，然后再1×1卷积扩回去，再乘以SE的输入。SE即提高了精度，同时还没有增加时间消耗。