MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

本文提出了MobileNets的模型，有助于减少inference的时间，使得其可以在移动端开展运行。最重要的算法为depthwise separable convolutions，是将传统的卷积算法分解为了两步，可以减少卷积的时间复杂度和实际的运行时间。同时为了在移动端更加灵活地应用，文章提出了两个全局的超参数用来权衡latency和accuracy。

相比于其他的将CNN移植到移动端的方法，MobileNets的关注点不在于压缩整个模型，而是更注重对于Latency的优化。

1 MobileNet Architecture

1.1 Depthwise Separable Convolution

基本思想是将传统卷积拆分成两步：depthwise convolution和pointwise convolution（1×1的卷积）。

首先depthwise convolution，对于每一张input channel施加一个filter；然后使用1×1的pointwise convolution将得到的depthwise convolution的output组合起来。所以，现在我们可以将传统卷积视为一个两层的卷积网络，一层做depthwise convolution，一层做pointwise convolution。

下面来分析一下两种卷积方式的时间复杂度，假设input有M个channel，每个kernel size是Dk×Dk，在卷积之后得到的是N个channel的output，每个feature map是Df×Df。

Standard convolution

总体需要的计算量为：

Depthwise convolution & pointwise convolution

第一步是depthwise convolution，具体的做法是每一个input channel只用一个filter，得到M个Df×Df的feature map。所以总共需要的计算量为：

第二步是pointwise convolution，使用N个1×1×M的kernel将上一步的结果合并，得到N个Df×Df的feature map。所以总共需要的计算量为：

故最终的计算量为

减少的计算量的比例为：，其中MobileNets使用的是3×3的filter，所以最终可以提升8~9倍的performance。

2.2 Networkarchitecture and training

第一层为full convolution，其他的都是按照2.2中的分解的卷积进行操作的。

每一层（除了最后的soft-max）都进行了Batchnorm和ReLU的操作。

详细的架构如下：

最训练的时候使用了RMSprop和asynchronous gradient descent。

几乎没有使用regularization和data augmentation，因为小model的overfitting问题不大。

在depthwise convolution层没有使用weight decay，因为参数太少了。

2.3 Width multiplier: thinner models

这里引入了一个关乎模型大小的超参数α，用来调节每一层input的channel数量。每一层的channel数量就是αM。

所以最终的计算量为：

2.4 Resolution multiplier: reduced representations

通过这个超参数ρ来调节input image的resolution。

所以最终的计算量为：

3 Experiment