MobileNet-v1网络框架

2024-03-31 22:58
文章标签 框架 网络 v1 mobilenet

本文主要是介绍MobileNet-v1网络框架,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一、MobileNet

MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

  • 论文链接:https://arxiv.org/abs/1704.04861
  • 论文翻译:https://blog.csdn.net/qq_31531635/article/details/80508306
  • 论文详解:https://blog.csdn.net/hongbin_xu/article/details/82957426
  • 论文代码:https://github.com/tensorflow/models/blob/master/research/slim/nets/mobilenet_v1.py

二、MobileNet算法

1、Depthwise Separable Convolution

  • Depthwise Separable Convolution实质上是将标准卷积分成了两步:depthwise卷积和pointwise卷积,其输入与输出都是相同的;
  • 假设输入特征图维度为: D F × D F × M D_F×D_F×M DF×DF×M D F D_F DF为输入的宽/高, M M M为输入通道数;
  • 假设输入特征图维度为: D G × D G × N D_G×D_G×N DG×DG×N D G D_G DG为输入的宽/高, N N N为输出通道数;
  • 假设卷积核尺寸为: D k × D k D_k \times D_k Dk×Dk D k D_k Dk为卷积核的宽/高;

2、标准卷积
在这里插入图片描述

  • 卷积核参数: D k × D k × M × N D_k \times D_k \times M \times N Dk×Dk×M×N
  • 计算量: D k × D k × M × N × D F × D F D_k \times D_k \times M \times N \times D_F \times D_F Dk×Dk×M×N×DF×DF;

3、深度可分离卷积

  • 两个组成部分:depthwise卷积和pointwise卷积;
  • depthwise卷积:对每个输入通道单独使用一个卷积核处理;
  • pointwise卷积: 1 × 1 1 \times 1 1×1卷积,用于将depthwise卷积的输出组合起来;
    在这里插入图片描述

4、depthwise卷积

  • 输入: D F × D F × M D_F×D_F×M DF×DF×M,输出: D F × D F × M D_F×D_F×M DF×DF×M,卷积核: D k × D k D_k \times D_k Dk×Dk
  • 卷积核参数:分开为 M M M个通道,每个通道都是 D k × D k × 1 × 1 D_k \times D_k \times 1 \times 1 Dk×Dk×1×1,共 D k × D k × M D_k \times D_k \times M Dk×Dk×M
  • 计算量: D k × D k × M × D F × D F D_k \times D_k \times M \times D_F \times D_F Dk×Dk×M×DF×DF

5、pointwise卷积

  • 输入: D F × D F × M D_F×D_F×M DF×DF×M,输出: D F × D F × N D_F×D_F×N DF×DF×N,卷积核: 1 × 1 1 \times 1 1×1
  • 卷积核参数: 1 × 1 × M × N 1 \times 1 \times M \times N 1×1×M×N
  • 计算量: 1 × 1 × M × N × D F × D F 1\times 1\times M\times N\times D_F \times D_F 1×1×M×N×DF×DF

6、上述第四第五步总的计算量:

D k × D k × M × D F × D F + M × N × D F × D F D_k \times D_k \times M \times D_F \times D_F +M\times N\times D_F \times D_F Dk×Dk×M×DF×DF+M×N×DF×DF

7、Standard Convolution 和Depthwise Separable Convolution对比
在这里插入图片描述

8、MobileNet结构
在这里插入图片描述
9、控制MobileNet模型大小的两个超参数

  • Width Multiplier: Thinner Models:
    1、用 α \alpha α表示,该参数用于控制特征图的维数,即通道数;
    2、对于深度可分离卷积,其计算量为: D k × D k × α M × D F × D F + α M × α N × D F × D F D_k \times D_k \times \alpha M \times D_F \times D_F +\alpha M\times \alpha N\times D_F \times D_F Dk×Dk×αM×DF×DF+αM×αN×DF×DF
  • Resolution Multiplier: Reduced Representation:
    1、用 ρ \rho ρ表示,该参数用于控制特征图的宽/高,即分辨率;
    2、对于深度可分离卷积,其计算量为: D k × D k × α M × ρ D F × ρ D F + α M × α N × ρ D F × ρ D F D_k \times D_k \times \alpha M \times \rho D_F \times \rho D_F +\alpha M\times \alpha N\times \rho D_F \times \rho D_F Dk×Dk×αM×ρDF×ρDF+αM×αN×ρDF×ρDF

10、结果
在这里插入图片描述
目标检测下使用MobileNet:
在这里插入图片描述

附:pytorch代码:

class MobileNet(nn.Module):def __init__(self):super(MobileNet, self).__init__()def conv_bn(inp, oup, stride):    # 第一层传统的卷积:conv3*3+BN+ReLUreturn nn.Sequential(nn.Conv2d(inp, oup, 3, stride, 1, bias=False),nn.BatchNorm2d(oup),nn.ReLU(inplace=True))def conv_dw(inp, oup, stride):      # 其它层的depthwise convolution:conv3*3+BN+ReLU+conv1*1+BN+ReLUreturn nn.Sequential(nn.Conv2d(inp, inp, 3, stride, 1, groups=inp, bias=False),nn.BatchNorm2d(inp),nn.ReLU(inplace=True),nn.Conv2d(inp, oup, 1, 1, 0, bias=False),nn.BatchNorm2d(oup),nn.ReLU(inplace=True),)self.model = nn.Sequential(conv_bn(  3,  32, 2),   # 第一层传统的卷积conv_dw( 32,  64, 1),   # 其它层depthwise convolutionconv_dw( 64, 128, 2),conv_dw(128, 128, 1),conv_dw(128, 256, 2),conv_dw(256, 256, 1),conv_dw(256, 512, 2),conv_dw(512, 512, 1),conv_dw(512, 512, 1),conv_dw(512, 512, 1),conv_dw(512, 512, 1),conv_dw(512, 512, 1),conv_dw(512, 1024, 2),conv_dw(1024, 1024, 1),nn.AvgPool2d(7),)self.fc = nn.Linear(1024, 1000)   # 全连接层def forward(self, x):x = self.model(x)x = x.view(-1, 1024)x = self.fc(x)return x

这篇关于MobileNet-v1网络框架的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/865580

相关文章

Linux系统配置NAT网络模式的详细步骤(附图文)

《Linux系统配置NAT网络模式的详细步骤(附图文)》本文详细指导如何在VMware环境下配置NAT网络模式,包括设置主机和虚拟机的IP地址、网关,以及针对Linux和Windows系统的具体步骤,... 目录一、配置NAT网络模式二、设置虚拟机交换机网关2.1 打开虚拟机2.2 管理员授权2.3 设置子

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

Python GUI框架中的PyQt详解

《PythonGUI框架中的PyQt详解》PyQt是Python语言中最强大且广泛应用的GUI框架之一,基于Qt库的Python绑定实现,本文将深入解析PyQt的核心模块,并通过代码示例展示其应用场... 目录一、PyQt核心模块概览二、核心模块详解与示例1. QtCore - 核心基础模块2. QtWid

SpringBoot使用OkHttp完成高效网络请求详解

《SpringBoot使用OkHttp完成高效网络请求详解》OkHttp是一个高效的HTTP客户端,支持同步和异步请求,且具备自动处理cookie、缓存和连接池等高级功能,下面我们来看看SpringB... 目录一、OkHttp 简介二、在 Spring Boot 中集成 OkHttp三、封装 OkHttp

Linux系统之主机网络配置方式

《Linux系统之主机网络配置方式》:本文主要介绍Linux系统之主机网络配置方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、查看主机的网络参数1、查看主机名2、查看IP地址3、查看网关4、查看DNS二、配置网卡1、修改网卡配置文件2、nmcli工具【通用

使用Python高效获取网络数据的操作指南

《使用Python高效获取网络数据的操作指南》网络爬虫是一种自动化程序,用于访问和提取网站上的数据,Python是进行网络爬虫开发的理想语言,拥有丰富的库和工具,使得编写和维护爬虫变得简单高效,本文将... 目录网络爬虫的基本概念常用库介绍安装库Requests和BeautifulSoup爬虫开发发送请求解

最新Spring Security实战教程之Spring Security安全框架指南

《最新SpringSecurity实战教程之SpringSecurity安全框架指南》SpringSecurity是Spring生态系统中的核心组件,提供认证、授权和防护机制,以保护应用免受各种安... 目录前言什么是Spring Security?同类框架对比Spring Security典型应用场景传统

Python结合Flask框架构建一个简易的远程控制系统

《Python结合Flask框架构建一个简易的远程控制系统》这篇文章主要为大家详细介绍了如何使用Python与Flask框架构建一个简易的远程控制系统,能够远程执行操作命令(如关机、重启、锁屏等),还... 目录1.概述2.功能使用系统命令执行实时屏幕监控3. BUG修复过程1. Authorization