目录
MobileNetV1原理
MobileNet V1的网络结构如下：
为什么要设计MobileNet：
MobileNetV1的主要特点如下：
MobileNetV1的创新点：
MobileNetV1源码（torch版）
训练10个epoch的效果
MobileNetV1原理
MobileNet V1是一种轻量级的卷积神经网络，能够在保持较高准确率的情况下具有较少的参数量和计算时间。它是由Google的研究人员在2017年提出的，并成为当时最流行的轻量级模型之一。
MobileNet V1的核心思想是通过深度分离卷积来减少模型的参数量和计算时间。与标准卷积不同，深度分离卷积将空间卷积和通道卷积分为两个独立的卷积层，这使得网络更加高效。具体来说，在深度分离卷积中，首先使用一个空间卷积，然后使用一个通道卷积来提取特征。这与标准卷积相比可以减少参数数量并加速运算。
MobileNet V1的网络结构如下：
MobileNet V1由序列卷积和1×1卷积两个部分组成。序列卷积包括13个深度可分离卷积层，每个层都包括一个3×3的卷积和一个批量归一化层（BN层），并且在卷积之后使用了ReLU6激活函数。最后，1×1卷积层用于生成最终的特征向量，并使用全局平均池化来缩小特征图的大小。在最后一层之后，使用一个全连接层来进行分类。MobileNet V1可以根据需要使用不同的输入分辨率，其超参数取决于输入分辨率和需要的精度。
为什么要设计MobileNet：
Mobilenetv1是一种轻量级的深度神经网络模型，设计的目的是在保持较高的精度的同时减小模型的大小和计算量，使其适合于移动设备的推理任务。在过去，大部分深度神经网络模型都是基于卷积神经网络（CNN）进行设计的，这些模型往往非常庞大（比如VGG16/VGG19），因此不能直接应用于手机或其他嵌入式设备上。同时，运行这些大型模型所需要的计算资源也很昂贵。
为了解决这个问题，Google Brain团队提出了Mobilenetv1。Mobilenetv1是基于深度可分离卷积（depthwise separable convolution）的设计，它将标准的卷积层分成深度卷积层和逐点卷积层两个部分，用较少的参数和计算量达到了相当不错的准确率。具体来说，深度卷积层用于在每个通道上执行空间卷积，而逐点卷积层（Pointwise Convolution）用于在不同通道之间执行线性变换。这种设计可以减少计算量和模型大小，并使得Mobilenetv1在移动设备上能够运行得更快。
除此之外，Mobilenetv1还使用了其他一些技巧来进一步缩小模型。例如，通过扩张系数（expansion factor）来控制输出通道数和输入通道数之间的关系，从而精细控制模型的大小和复杂度；通过残差连接（Residual Connection）来提高信息流动，从而提高模型的准确性和训练速度。
综合来说，Mobilenetv1是一种非常出色的深度神经网络模型，它在保持较高精确度的同时，大大减小了模型大小和计算量，使得它更容易嵌入到移动和嵌入式设备中。
MobileNetV1的主要特点如下：
-
轻量级：MobileNetv1的模型参数量非常少，只有4.2M，比起其他深度神经网络模型如VGG16、ResNet等模型，模型大小大大减小，更适合移动设备等资源受限环境下进行应用。
-
深度可分离卷积：MobileNetv1主要使用了深度可分离卷积，即将标准卷积分解成一个深度卷积和一个逐点卷积两个部分，分离后分别进行卷积操作，可以大大减少计算量和参数数量，从而实现轻量化的目的。
-
使用卷积核大小为1×1的卷积层和全局平均池化层：MobileNetv1使用了大量的1×1卷积层和全局平均池化层来代替传统的卷积层，可以减少特征图的空间尺寸，从而减少计算量和参数数量。
-
加入线性层和ReLU6激活函数：为了减少梯度消失的现象，MobileNetv1在每个深度可分离卷积结构后加入一个线性层和ReLU6激活函数，同时提高模型的非线性能力。
-
高性能：MobileNetv1在性能表现方面也做得很好，准确率达到了当时的state-of-the-art水平，同时模型具有高效率的特点，能够在较短的时间内完成较为复杂的任务。
MobileNetV1的创新点：
- Depthwise Separable Convolution（深度可分离卷积）
MobileNetV1使用Depthwise Separable Convolution代替了传统的卷积操作。Depthwise Separable Convolution分为两个步骤，首先进行深度卷积，然后进行点卷积。深度卷积可以在每个输入通道上进行滤波操作，而点卷积使用1×1卷积来对每个通道进行线性组合。这样可以减少运算量以及减小模型的大小，同时也可以提高模型的精度和鲁棒性。
2. Width Multiplier（宽度乘法参数）
MobileNetV1引入了width multiplier的概念，可以通过调整宽度乘数来控制模型的大小和计算量。宽度乘数是作用于每一层的通道数目，可以取0到1的任意值。当宽度乘数为1时，模型与原始模型一致，而当宽度乘数小于1时，模型会变得更轻巧。
3. Global Depthwise Pooling（全局深度池化）
MobileNetV1使用Global Depthwise Pooling代替了全连接层。全局深度池化是在每个通道上进行求和操作，并将结果作为输出。这样可以有效地减少模型的参数量和计算量，提高模型的速度和精度。
总的来说，MobileNetV1在模型轻量化方面具有显著的创新，可以在计算资源有限的设备上进行高效的推理操作，成为了移动设备上的高效神经网络模型。
MobileNetV1源码（torch版）
数据集运行代码时自动下载，如果网络比较慢，可以自行点击我分享的链接下载cifar数据集。
链接：百度网盘
提取码：kd9a
# -*- coding: utf-8 -*-
import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision.datasets import CIFAR10
from torchvision.transforms import transforms
from torch.autograd import Variable
class DepthwiseSeparableConv(nn.Module):
def __init__(self, in_channels, out_channels):
super(DepthwiseSeparableConv, self).__init__()
self.depthwise_conv = nn.Conv2d(in_channels, in_channels, kernel_size=3, padding=1, groups=in_channels)
self.pointwise_conv = nn.Conv2d(in_channels, out_channels, kernel_size=1)
self.relu = nn.ReLU(inplace=True)
def forward(self, x):
x = self.depthwise_conv(x)
x = self.pointwise_conv(x)
x = self.relu(x)
return x
class MobileNetV1(nn.Module):
def __init__(self, num_classes=1000):
super(MobileNetV1, self).__init__()
self.conv1 = nn.Conv2d(3, 32, kernel_size=3, stride=2, padding=1)
self.relu = nn.ReLU(inplace=True)
self.dw_separable_conv1 = DepthwiseSeparableConv(32, 64)
self.dw_separable_conv2 = DepthwiseSeparableConv(64, 128)
self.dw_separable_conv3 = DepthwiseSeparableConv(128, 128)
self.dw_separable_conv4 = DepthwiseSeparableConv(128, 256)
self.dw_separable_conv5 = DepthwiseSeparableConv(256, 256)
self.dw_separable_conv6 = DepthwiseSeparableConv(256, 512)
self.dw_separable_conv7 = DepthwiseSeparableConv(512, 512)
self.dw_separable_conv8 = DepthwiseSeparableConv(512, 512)
self.dw_separable_conv9 = DepthwiseSeparableConv(512, 512)
self.dw_separable_conv10 = DepthwiseSeparableConv(512, 512)
self.dw_separable_conv11 = DepthwiseSeparableConv(512, 512)
self.dw_separable_conv12 = DepthwiseSeparableConv(512, 1024)
self.dw_separable_conv13 = DepthwiseSeparableConv(1024, 1024)
self.avg_pool = nn.AdaptiveAvgPool2d((1, 1))
self.fc = nn.Linear(1024, num_classes)
def forward(self, x):
x = self.conv1(x)
x = self.relu(x)
x = self.dw_separable_conv1(x)
x = self.dw_separable_conv2(x)
x = self.dw_separable_conv3(x)
x = self.dw_separable_conv4(x)
x = self.dw_separable_conv5(x)
x = self.dw_separable_conv6(x)
x = self.dw_separable_conv7(x)
x = self.dw_separable_conv8(x)
x = self.dw_separable_conv9(x)
x = self.dw_separable_conv10(x)
x = self.dw_separable_conv11(x)
x = self.dw_separable_conv12(x)
x = self.dw_separable_conv13(x)
x = self.avg_pool(x)
x = torch.flatten(x, 1)
x = self.fc(x)
return x
def main():
train_data = CIFAR10('cifar',train=True,transform = transforms.ToTensor())
data = DataLoader(train_data,batch_size=128,shuffle=True)
device = torch.device("cuda")
net = MobileNetV1(num_classes=10).to(device)
print(net)
cross = nn.CrossEntropyLoss().to(device)
optimizer = torch.optim.Adam(net.parameters(),0.001)
for epoch in range(10):
for img,label in data:
img = Variable(img).to(device)
label = Variable(label).to(device)
output = net.forward(img)
loss = cross(output,label)
loss.backward()
optimizer.zero_grad()
optimizer.step()
pre = torch.argmax(output,1)
num = (pre == label).sum().item()
acc = num / img.shape[0]
print("epoch:",epoch + 1)
print("loss:",loss.item())
print("acc:",acc)
pass
if __name__ == '__main__':
main()上述代码中，我使用的是CIFAR-10数据集，通过训练MobileNet V1对图像进行分类。在训练过程中，我使用Adam优化器和交叉熵损失函数，并在训练后使用验证集评估模型的性能。
其中，模型中使用了Depthwise Separable Convolution，它包含一层深度卷积和一层1×1卷积。深度卷积用于处理输入数据的不同通道，1×1卷积用于将不同通道的特征图合并成更多的通道。这个操作可以有效地减少参数数量和计算量，并提高模型的性能。
另外，模型还使用了AdaptiveAvgPool2d，该层可以自适应地将输入特征图的大小调整为任意大小，并对每个子区域进行平均池化操作。这可以使模型对输入图像的尺寸具有更强的鲁棒性。
通过MobileNet V1，我们可以在保持较高精度的同时具有较少的参数量和计算时间，在计算资源受限的情况下尤其有用。
训练10个epoch的效果
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
