论文下载地址：https://arxiv.org/abs/1704.04861
Caffe复现地址：https://github.com/shicai/MobileNet-Caffe
Mobilenet发布在2017年的CVPR。
Mobilenet这篇论文是Google针对手机等嵌入式设备提出的一种轻量级的深层神经网络，取名为MobileNets。个人感觉论文所做工作偏向于模型压缩方面，核心思想就是卷积核的巧妙分解，可以有效减少网络参数。
Mobilenet可以应用于多个领域：目标检测，分类，跟踪等诸多领域。用于移动和嵌入式视觉应用。
下面主要讲述了MobileNet这篇论文的核心：卷积核的巧妙分解来加速运算，有效的减少网络参数。
MobileNet网络结构：
1.深度可分解卷积（核心所在）：
将一个标准的卷积操作分为：深度卷积和点卷积。
如图所示：
（a）为标准卷积：计算量为：Dk*Dk*M*N*Dh*Dh Dk表示的是卷积核 M表示的是通道数 N表示的是卷积核的个数 Dh表示的是输入图片的大小。
（b）深度卷积（c）点卷积，表示的是深度可分解卷积。
（b）的计算量：Dk*Dk*M*1*Dh*Dh
（c）的计算量：1*1*M*N*Dh*Dh
深度可分解卷积的计算总量是：b+c
通过比较普通卷积和深度可分解卷积的计算量可以得出：a/（b+c）= 1/N+1/Dk^2 由于Mobilenet使用了3*3的卷积所以在1/8到1/9之间。也就是说计算量减少了接近9倍。同时准确率下降的很少。
Mobilenet的网络结构，图中可以看出网络大多数时间都用在了1*1卷积的计算上，参数也占了74.59%。
为了构建更小，更少计算量的网络作者引入了宽度乘数和分辨率乘数：
宽度乘数：改变输入和输出的通道数减少特征图的数量来减少计算。
分辨率乘数：顾名思义就是通过减小输入图片的大小来起到减少计算。
实验结果：
以上就是Mobilenet的核心知识点。