知识卡片
MobileNet 网络结构
MobileNet 由 30 层构成,首层是 3×3 标准卷积,之后是深度卷积与点卷积的连续组合,即深度可分离卷积块,该块重复 13 次。为缩小特征映射宽高,它在深度卷积中使用跨步 2 而非最大池化;为增加深度,点卷积把通道数翻倍。网络在 ImageNet 的 224×224×3 输入上训练,卷积末端输出 7×7×1024,再经全局平均池化(GAP)把 H×W×D 压成 1×1×D,最后接全连接分类层。激活函数用 ReLU6——把 ReLU 上限截到 6,以促使模型更早学到稀疏特征。其完整实现见[[MobileNet 实现]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 移动神经网络和 CNN MobileNet 的结构 · 查看原书依据
为了减少特征映射的宽度和高度,MobileNet 在深度卷积中使用了第二步。 是的,它不使用 maxpooling! 为了增加特征映射的深度,逐点卷积将通道数量加倍。
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:原文说明 MobileNet 用跨步 2 替代最大池化、用点卷积加倍通道,并以 GAP 将 7×7×1024 压成 1×1×1024,支撑其 30 层结构与尺寸变化的结论。
- 原始内容:为了减少特征映射的宽度和高度,MobileNet 在深度卷积中使用了第二步。 是的,它不使用 maxpooling! 为了增加特征映射的深度,逐点卷积将通道数量加倍。