我所理解的mobile Net

MobileNetV1就是把VGG中的標準卷積層換成深度可分離卷積就可以了。

Mobile Net採用了深度可分離卷積。

深度可分離卷積分爲逐深度卷積和逐點卷積。

逐深度卷積的通道數爲1，卷積核數量爲輸入特徵圖的通道數。每個卷積核分別與輸入特徵圖的每個通道進行卷積（其實這裏就相當於進行了濾波，沒有結合各個通道的特徵圖生成新的特徵），所以生成這些新的特徵，有1*1卷積構成的逐點卷積被運用在了mobileNet中。

一個標準的傳統卷積過程將輸入濾波和組合成一組新的輸出。深度可分離卷積將其分成兩層，一層用於濾波，一層用於組合。這種分解過程能極大減少計算量和模型大小。

深度可分離卷積的總計算量變小了，但深度可分離卷積的層數變多了。

而結合我們對GPU和CPU的認識：GPU是並行處理大規模數據（矩陣內積）的運算平臺，而CPU則傾向於對數據串行計算（一個一個算）。

因此，若GPU的顯存足夠大（乾脆假設無限大好了），因爲每層的計算都可以並行一次處理，則此時總運算時間的主導因素是網絡的層數。

而對於缺乏並行能力的CPU，總的運算時間的主導因素則是總計算量有關。