谷歌开源MobileNetV3，改进计算机视觉模型

（文章来源：雷锋网）

谷歌从 17 年发布 MobileNets 以来，每隔一年即对该架构进行了调整和优化。现在，开发者们对 MobileNetV3 在一次进行了改进，并将 AutoML 和其他新颖的思想融入到该移动端的深度学习框架中。谷歌发布了相关文章对升级后的 MobileNetV3 进行了讲解，雷锋网 AI 开发者将其整理编译如下。

将深度学习融合到移动端正成为人工智能领域最活跃的研究领域之一。而设计能够在移动端运行时有效执行的深度学习模型，则需要对神经网络中的许多架构范例进行更进一步的思考。移动端的深度学习模型需要平衡复杂神经网络结构的精度和移动运行时的性能约束。在移动端深度学习领域中，计算机视觉仍然是最具挑战性的领域之一。

在 2017 年，谷歌推出了基于 TensorFlow 的计算机视觉系列模型 MobileNets。而最新的 MobileNets 架构正是于几天前发布，其中包含了一些改进移动端计算机视觉模型的有趣想法。MobileNetV3 是该模型结构的第三个版本，它能够为许多主流的移动应用程序提供图像分析的功能。该体系结构还被集成到流行的框架中，例如：TensorFlow Lite。

MobileNet 需要尽可能维持其中发展较快的计算机视觉和深度学习领域与移动环境局限性之间平衡。因此，谷歌一直在定期对 MobileNets 架构进行更新，其中也加入了一些有关于深度学习领域中最新颖的想法。

MobileNets 的第一个版本于 2017 年春季发布，其核心思想是引入一系列基于 TensorFlow 的计算机视觉模型，在最大限度地提高精度的同时，平衡设备上或嵌入式应用程序的有限资源。从概念上讲，MobileNetV1 正试图实现两个基本目标，以构建移动第一计算机视觉模型：

较小的模型 参数数量更少较小复杂度 运算中乘法和加法更少遵循这些原则，MobileNetV1 是一个小型、低延迟、低功耗的参数化模型，可以满足各种用例的资源约束。它们可以用于实现：分类、检测、嵌入和分割等功能。

MobileNetV1 的核心架构则基于一个流线型架构，该架构使用深度可分离卷积网络来构建了轻量级深度神经网络。就神经网络结构而言，深度可分离卷积将卷积核分成两个单独的卷积核，这两个卷积核依次进行两个卷积，即先是深度卷积，然后进行逐点卷积。

在 MobileNetV1 中，深度卷积网络的每个输入信道都应用了单个滤波器。然后，逐点卷积应用 1 x1 卷积网络来合并深度卷积的输出。这种标准卷积方法既能滤波，又能一步将输入合并成一组新的输出。在这之中，深度可分离卷积将其分为两层，一层用于滤波，另一层则用于合并。

第一代 MobileNetV1 的实现作为了 TensorFlow Slim 图像分类库的一部分；而随着新的移动应用程序使用全新的模式进行构建，就诞生出了新的想法以改进整体架构。
        （责任编辑：fqj）