（文章來源：雷鋒網(wǎng)）

谷歌從 17 年發(fā)布 MobileNets 以來，每隔一年即對該架構(gòu)進(jìn)行了調(diào)整和優(yōu)化。現(xiàn)在，開發(fā)者們對 MobileNetV3 在一次進(jìn)行了改進(jìn)，并將 AutoML 和其他新穎的思想融入到該移動(dòng)端的深度學(xué)習(xí)框架中。谷歌發(fā)布了相關(guān)文章對升級后的 MobileNetV3 進(jìn)行了講解，雷鋒網(wǎng) AI 開發(fā)者將其整理編譯如下。

將深度學(xué)習(xí)融合到移動(dòng)端正成為人工智能領(lǐng)域最活躍的研究領(lǐng)域之一。而設(shè)計(jì)能夠在移動(dòng)端運(yùn)行時(shí)有效執(zhí)行的深度學(xué)習(xí)模型，則需要對神經(jīng)網(wǎng)絡(luò)中的許多架構(gòu)范例進(jìn)行更進(jìn)一步的思考。移動(dòng)端的深度學(xué)習(xí)模型需要平衡復(fù)雜神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的精度和移動(dòng)運(yùn)行時(shí)的性能約束。在移動(dòng)端深度學(xué)習(xí)領(lǐng)域中，計(jì)算機(jī)視覺仍然是最具挑戰(zhàn)性的領(lǐng)域之一。

在 2017 年，谷歌推出了基于 TensorFlow 的計(jì)算機(jī)視覺系列模型 MobileNets。而最新的 MobileNets 架構(gòu)正是于幾天前發(fā)布，其中包含了一些改進(jìn)移動(dòng)端計(jì)算機(jī)視覺模型的有趣想法。MobileNetV3 是該模型結(jié)構(gòu)的第三個(gè)版本，它能夠?yàn)樵S多主流的移動(dòng)應(yīng)用程序提供圖像分析的功能。該體系結(jié)構(gòu)還被集成到流行的框架中，例如：TensorFlow Lite。

MobileNet 需要盡可能維持其中發(fā)展較快的計(jì)算機(jī)視覺和深度學(xué)習(xí)領(lǐng)域與移動(dòng)環(huán)境局限性之間平衡。因此，谷歌一直在定期對 MobileNets 架構(gòu)進(jìn)行更新，其中也加入了一些有關(guān)于深度學(xué)習(xí)領(lǐng)域中最新穎的想法。

MobileNets 的第一個(gè)版本于 2017 年春季發(fā)布，其核心思想是引入一系列基于 TensorFlow 的計(jì)算機(jī)視覺模型，在最大限度地提高精度的同時(shí)，平衡設(shè)備上或嵌入式應(yīng)用程序的有限資源。從概念上講，MobileNetV1 正試圖實(shí)現(xiàn)兩個(gè)基本目標(biāo)，以構(gòu)建移動(dòng)第一計(jì)算機(jī)視覺模型：

較小的模型 參數(shù)數(shù)量更少較小復(fù)雜度 運(yùn)算中乘法和加法更少遵循這些原則，MobileNetV1 是一個(gè)小型、低延遲、低功耗的參數(shù)化模型，可以滿足各種用例的資源約束。它們可以用于實(shí)現(xiàn)：分類、檢測、嵌入和分割等功能。

MobileNetV1 的核心架構(gòu)則基于一個(gè)流線型架構(gòu)，該架構(gòu)使用深度可分離卷積網(wǎng)絡(luò)來構(gòu)建了輕量級深度神經(jīng)網(wǎng)絡(luò)。就神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)而言，深度可分離卷積將卷積核分成兩個(gè)單獨(dú)的卷積核，這兩個(gè)卷積核依次進(jìn)行兩個(gè)卷積，即先是深度卷積，然后進(jìn)行逐點(diǎn)卷積。

在 MobileNetV1 中，深度卷積網(wǎng)絡(luò)的每個(gè)輸入信道都應(yīng)用了單個(gè)濾波器。然后，逐點(diǎn)卷積應(yīng)用 1 x1 卷積網(wǎng)絡(luò)來合并深度卷積的輸出。這種標(biāo)準(zhǔn)卷積方法既能濾波，又能一步將輸入合并成一組新的輸出。在這之中，深度可分離卷積將其分為兩層，一層用于濾波，另一層則用于合并。

第一代 MobileNetV1 的實(shí)現(xiàn)作為了 TensorFlow Slim 圖像分類庫的一部分；而隨著新的移動(dòng)應(yīng)用程序使用全新的模式進(jìn)行構(gòu)建，就誕生出了新的想法以改進(jìn)整體架構(gòu)。
（責(zé)任編輯：fqj）