本文提出了一种轻量级结构MobileNets。其基础是深度可分离卷积操作。
MobileNet具有两个超参数，可以调节精度（accuracy）和延迟（latency）之间的权衡。
1. 故事
现有的模型越来越深，越来越复杂，效率却有可能越来越低。这在实际应用中是无法接受的。
本文于是推出了一种网络，包含两个超参数，可以根据需求适配。
历史工作大多考虑让网络更小，即关注size而非latency。本文提出的网络同时关注这两点。
2. MobileNet
2.1 深度可分离卷积
深度可分离卷积 将 标准卷积操作 分解为 深度卷积 和 \(1 \times 1\)逐点卷积。
在 MobileNet中，深度卷积是对每一个通道分别卷积，逐点卷积就是对 深度卷积的输出通道 进行\(1 \times 1\)整合。【前者是空域的，后者是通道域的，二者完全解耦】
如图，先对\(M\)个输入通道分别空域卷积，得到\(M\)张特征图；然后再整合这些特征图，一共有\(N\)种整合方式，即得到\(N\)张特征图。
具体而言，深度卷积采用的是\(3 \times 3\)卷积核。
2.2 网络结构
网络整体结构如表：
每一个卷积层都跟着一个BN和ReLU激活，除了最后一层。表中的dw就是深度卷积，如图：
其中的降采样是通过步长卷积实现的（正常卷积默认步长为1）。
最后是全局池化（每个通道的尺寸直接变为\(1 \times 1\)） => FC层。
一共有28层卷积。
【规律：通道尺寸不断下降；深度可分离卷积几乎是和正常卷积交替使用的；升通道数都用\(1 \times 1\)卷积完成；在低分辨率通道上卷积层数较多】
最后，我们不应该只关注乘法-加法的数量。我们还应该关注这些操作能否被有效实施。其中，\(1 \times 1\)卷积就是非常高效的矩阵乘法算子，并且对显存要求很低。这归功于GEMM函数。我们统计一下：
\(1 \times 1\)卷积的运算量和参数规模都是最大头的，这对网络有好处。
最后作者发现，由于深度可分离卷积的参数量不大，因此不应该使用weight decay。
2.3 引入两个超参数
首先引入的是通道数瘦身超参数（width multiplier）。在乘以该超参数后，输入和输出通道数都会变成原来的\(\alpha\)倍。典型值为0.75和0.5。
其次引入分辨率瘦身超参数（resolution multiplier）。不用过多解释了。
我们看看效果：
3. 实验
我们就看在ImageNet上的例子。效果不重要，关键是灵活的权衡方式。