← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9423.a · 生成模型:Tencent Hunyuan Hy

MobileNet 演进之路

理解等级:中级

MobileNet 的演进由移动视觉的现实约束驱动。CNN 凭 ILSVRC 的出色表现奠定视觉任务基准,但高算力需求阻碍商业落地;而对象检测几乎都在手机、监控摄像头等便携设备上完成,这要求权重和参数数量极小。2017 年初 Google 推出 MobileNets,用深度可分离卷积在保持模型深度的同时大幅削减参数,许多公司随即用于实时检测。2018 年 Google 发布第二版 MobileNetV2,引入反向残差块,并可与 SSD 等检测架构结合。两代架构分别对应[[深度可分离卷积]]与[[线性瓶颈层]]、[[扩展层与反向残差块]]的改动。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第05章《移动神经网络和 CNN》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/09.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文按 2017 年 MobileNets 与 2018 年 MobileNetV2 两个时间点叙述,并说明前者以深度可分离卷积减参、后者以反向残差块并结合 SSD,支撑了两代演进主线的判断。 - 原始内容:2017 年初,Google 的一组研究人员取得了突破,并推出了一种称为 MobileNets 的新型 CNN,用于移动和嵌入式视觉。 MobileNet 具有深度可分离卷积的概念,在保持相同模型深度的同时,显着减少了卷积网络的参数数量。