MobileNet

深度可卷积网络：

1. depthwise convolution
2. pointwise convolution

两个超参数：

1. width multiplier： 改变每层输入/输出 channel 的数量，影响参数数量和计算时间
2. resolution multiplier： 改变输入图像的解析度大小，只影响计算时间

notice!!! 论文指出在相似的计算量和参数数量情况下，模型变窄（channel 数变少）比模型变浅性能要好

网络结构：

1. 第一层为全卷积
2. 除了最后一层全连接层不经过非线性函数(relu), 其它层之后都跟着 batchnorm + ReLU
3. downsampling 是通过调节 depthwise convolution（以及第一层） 的 stride 来实现
4. 在最后一层全连接层之前为 global average pooling



总体网络结构



计算时间和参数数量