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!



http://www.chinasem.cn/article/865580

相关文章

Linux 网络编程 --- 应用层

一、自定义协议和序列化反序列化 代码: 序列化反序列化实现网络版本计算器 二、HTTP协议 1、谈两个简单的预备知识 https://www.baidu.com/ --- 域名 --- 域名解析 --- IP地址 http的端口号为80端口,https的端口号为443 url为统一资源定位符。CSDNhttps://mp.csdn.net/mp_blog/creation/editor

ASIO网络调试助手之一:简介

多年前,写过几篇《Boost.Asio C++网络编程》的学习文章,一直没机会实践。最近项目中用到了Asio,于是抽空写了个网络调试助手。 开发环境: Win10 Qt5.12.6 + Asio(standalone) + spdlog 支持协议: UDP + TCP Client + TCP Server 独立的Asio(http://www.think-async.com)只包含了头文件,不依

poj 3181 网络流,建图。

题意: 农夫约翰为他的牛准备了F种食物和D种饮料。 每头牛都有各自喜欢的食物和饮料,而每种食物和饮料都只能分配给一头牛。 问最多能有多少头牛可以同时得到喜欢的食物和饮料。 解析: 由于要同时得到喜欢的食物和饮料,所以网络流建图的时候要把牛拆点了。 如下建图: s -> 食物 -> 牛1 -> 牛2 -> 饮料 -> t 所以分配一下点: s  =  0, 牛1= 1~

cross-plateform 跨平台应用程序-03-如果只选择一个框架,应该选择哪一个?

跨平台系列 cross-plateform 跨平台应用程序-01-概览 cross-plateform 跨平台应用程序-02-有哪些主流技术栈? cross-plateform 跨平台应用程序-03-如果只选择一个框架,应该选择哪一个? cross-plateform 跨平台应用程序-04-React Native 介绍 cross-plateform 跨平台应用程序-05-Flutte

poj 3068 有流量限制的最小费用网络流

题意: m条有向边连接了n个仓库,每条边都有一定费用。 将两种危险品从0运到n-1,除了起点和终点外,危险品不能放在一起,也不能走相同的路径。 求最小的费用是多少。 解析: 抽象出一个源点s一个汇点t,源点与0相连,费用为0,容量为2。 汇点与n - 1相连,费用为0,容量为2。 每条边之间也相连,费用为每条边的费用,容量为1。 建图完毕之后,求一条流量为2的最小费用流就行了

poj 2112 网络流+二分

题意: k台挤奶机,c头牛,每台挤奶机可以挤m头牛。 现在给出每只牛到挤奶机的距离矩阵,求最小化牛的最大路程。 解析: 最大值最小化,最小值最大化,用二分来做。 先求出两点之间的最短距离。 然后二分匹配牛到挤奶机的最大路程,匹配中的判断是在这个最大路程下,是否牛的数量达到c只。 如何求牛的数量呢,用网络流来做。 从源点到牛引一条容量为1的边,然后挤奶机到汇点引一条容量为m的边

Spring框架5 - 容器的扩展功能 (ApplicationContext)

private static ApplicationContext applicationContext;static {applicationContext = new ClassPathXmlApplicationContext("bean.xml");} BeanFactory的功能扩展类ApplicationContext进行深度的分析。ApplicationConext与 BeanF

数据治理框架-ISO数据治理标准

引言 "数据治理"并不是一个新的概念,国内外有很多组织专注于数据治理理论和实践的研究。目前国际上,主要的数据治理框架有ISO数据治理标准、GDI数据治理框架、DAMA数据治理管理框架等。 ISO数据治理标准 改标准阐述了数据治理的标准、基本原则和数据治理模型,是一套完整的数据治理方法论。 ISO/IEC 38505标准的数据治理方法论的核心内容如下: 数据治理的目标:促进组织高效、合理地

ZooKeeper 中的 Curator 框架解析

Apache ZooKeeper 是一个为分布式应用提供一致性服务的软件。它提供了诸如配置管理、分布式同步、组服务等功能。在使用 ZooKeeper 时,Curator 是一个非常流行的客户端库,它简化了 ZooKeeper 的使用,提供了高级的抽象和丰富的工具。本文将详细介绍 Curator 框架,包括它的设计哲学、核心组件以及如何使用 Curator 来简化 ZooKeeper 的操作。 1

【Kubernetes】K8s 的安全框架和用户认证

K8s 的安全框架和用户认证 1.Kubernetes 的安全框架1.1 认证:Authentication1.2 鉴权:Authorization1.3 准入控制:Admission Control 2.Kubernetes 的用户认证2.1 Kubernetes 的用户认证方式2.2 配置 Kubernetes 集群使用密码认证 Kubernetes 作为一个分布式的虚拟