基于Caffe框架的MobileNet v2 神经网络应用 (1)

最近实习，被老板安排进行移动端的神经网络开发，打算尝试下Mobilenet V2，相比于Mobilenet V1，该网络创新点如下：
1. 借鉴了ResNet 中的Shortcut近路连接操作
2. 在进行分离卷积操作之前引入扩张操作，增加模型的容量，然后再进行压缩
3. 在每一层bottleneck压缩最后，去掉了非线性ReLu层
下面分别给出Mobilenet V1和Mobilenet V2 的bottleneck结构，能更直观看出两者的区别。

sep 为 1x1 卷积核进行的扩张或压缩操作，dw为可分离操作。
上图中的v1 在进行dw操作后，接着连接了sep进行的扩张层。
下图的v2先进行sep扩张（扩张倍数为前一层通道数的4-6倍），然后进行dw操作，接着再进行sep压缩操作。其中对于shortcut输入的sep压缩，如conv2_1/out/sep_new层，压缩后的通道数比扩张前的要多，能保证层数越深，模型容量越大；对于靠近shorhtcut输出的sep压缩，如conv2_2/out/sep_new 层，压缩后的通道数要和conv2_1/out/sep_new维度一样，才能进行近路连接。

整个网络结构，基本是由以上bottleneck堆叠层的，可以结合自己的需求，进行相应的改动，下面给出v1和v2的github地址，https://github.com/GeekLee95/MobileNet_caffe.git, 供想尝试的同学进行下载。

-