一、了解

网络亮点：

1、DW网络，大大减少运算量核参数数量

2、增加超参数：控制卷积层卷积核个数的超参数 ，控制图像输入大小的超参数 ，这两个超参数是人为设定的，不是机器学习到的。

二、DW卷积（Depthwise Conv）

传统卷积：卷积核channel= 输入特征矩阵channel  输出特征矩阵channel=卷积核个数

DW卷积：卷积核个数=1 ；输入特征矩阵channel=卷积核个数=输出特征矩阵channel

 Depthwise Separable Conv 深度可分卷积

由两部分组成 DW卷积 + PW卷积（Pointwise Conv）

PW卷积类似于普通卷积（卷积核的大小=1）

 与普通卷积的参数比较

 

三、MobileNet V1网络

网络模型结构

conv / s2 :表示普通的卷积结构     s2表示步距为2

卷积核参数【高 x 宽 x 输入特征矩阵的深度 x 卷积核个数】

conv dw / s1: 表示dw卷积 步距为1   因为dw卷积的卷积核深度为1，所以只有输出特征矩阵的深度。

整个模型类似于VGG网络，将一系列卷积串行链接

统计数据

 table8：比较了三个网络的准确率、运算量、模型参数。可以看出MobileNet在准确率只下降了0.9%的情况下，运算量和模型参数都大大减小。

控制卷积层卷积核个数的超参数 ：表6中数据显示，卷积核的个数下降，准确率、运算量、模型参数都会下降。根据自己的项目需求去选择值

控制图像输入大小的超参数 ：适当的减小输入图像的大小，能够保证准确率降低很少的前提下，来大幅减少运算量。根据项目需求自己设定

有时候dw卷积不起作用，在MobileNet V2版本中会有一定的改善。