结构对比

MobileNet v1的深度可分离卷积（depthwise separable convolution）分为Depthwise convolution与Pointwise convolution。层级结构如下：

MobileNet v2在Depthwise convolution之前添加一层Pointwise convolution。层级结构是这样：

为什么多了一层Pointwise convolution

MobileNet v1的深度可分离卷积中的Depthwise卷积的Kernel数量取决于上一层的Depth，也就是Depthwise卷积自己没有改变通道数的能力，Depth也就是通道数。

MobileNet v1设置了两个超参数，用来控制模型的大小与计算量，具体如下：

通道乘子：用于控制特征图的通道数，记做α，当α＜1时，模型会变得更薄，可以将计算量减少为原来的α 2 分辨率乘子：用于控制特征图的尺寸，记做ρ，在相应的特征图上应用该乘子，也可以有效降低每一层的计算量。

当加一层Pointwise convolution就可以升维，也可以降维，在MobileNet v2中加的这一层是用做升维。Pointwise卷积升维之后，Depthwise卷积就可以在高维度工作。

这一层的Pointwise 卷积就可以叫expansion卷积，这一层就可以叫expansion layer，因为它用来升维了。升了多少倍或者说通道扩大了多少倍就有了expansion factor。这里144/24=6，那么6就是expansion factor（膨胀系数）

下图中的t表示就是expansion factor 用来表示通道扩张倍数，c表示输出通道数，n表示重复次数，s表示步长stride

V2论文中的表示：

第一行表示升维，第二行卷积，第三行降维。第一行的升维叫 Expansion Layer，第二行的卷积叫 Depthwise Layer，第三行的降维叫 Projection Layer。

什么是倒残差

v1的残差两头粗，中间细。现在v2中间粗，两头细。

线性瓶颈

1×1卷积小像个瓶口所以叫瓶颈。再说linear，这个图是从下往上看的，看最后的逐点卷积，之前的逐点卷积是升维的，到最后的逐点卷积就是降维，高维加非线性很好，但是低维也加非线性就会把特征破坏掉，不如线性的好，所以1*1逐点卷积后不加ReLU6 ，改换线性。

标签：MobileNet,convolution,Depthwise,卷积,V1,V2,升维,Pointwise
来源： https://blog.csdn.net/qq_38131812/article/details/121469231