v1

需求：传统网络内存需求大，运算量大。嵌入式，移动设备设备无法运行。
google团队 2017 轻量级CNN网络
论文地址 https://arxiv.org/pdf/1704.04861.pdf

亮点：模型参数与运算量少。DW卷积

Depthwise Cov

传统卷积：filter channel = 输入channel 输出channel=num of filter
DW卷积：filter channel fixed = 1 一个filter负责一个输入channel
PW卷积：filter large fixed = 1

模型结构：

两个超参数一个调节卷积核个数一个调节输入图像大小-进一步减少模型计算量。
问题：卷积核参数大部分为0 v2改进

v2 2018

准确率更高，模型更小

亮点：inverted residuals and linear bottle necks

传统residual block:
1*1 降维

3*3普通卷积

1*1卷积升维

倒残差：
1*1 卷积升维

3*3 DW卷积relu6= min(max(x,0),6)

1*1 卷积降维