谷歌发布MobileNets 模型：低延迟、低功耗、小型化视觉模型！

作者：温利武    班级：1402019      学号：14020199041

【嵌牛导读】：近年来，深入学习推动了计算机视觉领域的巨大进步，神经网络反复推动了视觉识别技术的发展。虽然通过Cloud Vision API为互联网连接的设备提供诸如对象，地标，标志和文本识别等许多技术，但我们相信移动设备的日益增长的计算能力可以使这些技术交付到手中的用户，随时随地，无论互联网连接。然而，设备和嵌入式应用程序的视觉识别带来许多挑战 - 模型必须在资源有限的环境中以高精度快速运行，利用有限的计算，功率和空间。

【嵌牛鼻子】：MobileNets 模型

【嵌牛提问】：如何实现低延迟、低功耗、小型化

【嵌牛正文】：017年6约14日(今天)，我们很高兴地宣布发布MobileNets，这是一款用于TensorFlow的移动终端计算机视觉模型系列，旨在有效地最大限度地提高准确性，同时注意设备或嵌入式应用程序的受限资源。MobileNets是小型，低延迟，低功耗模型参数化，以满足各种用例的资源限制。它们可以建立在分类，检测，嵌入和分段上，类似于其他流行的大型模型，如初始化。

示例用例包括检测，细粒度分类，属性和地理定位。

此版本包含使用TF-Slim的TensorFlow中的MobileNets的模型定义，以及用于各种尺寸的移动项目的16个预训练的ImageNet分类检查点。这些型号可以使用TensorFlow Mobile在移动设备上高效运行。（在Github直接下载）

选择正确的MobileNet模型，以适应您的延迟和大小预算。内存和磁盘上网络的大小与参数数量成正比。网络的等待时间和功率使用量与测量融合乘法和加法运算次数的乘法累加量（MAC）数量相称。前1和前5个准确度在ILSVRC数据集上测量。

以下是如何下载MobileNet_v1_1.0_224检查点的示例：