深度学习在移动端部署的挑战仍在。

虽然深度学习在图像分类、检测等任务上颇具优势，但提升模型精度对能耗和存储空间的要求很高，移动设备通常难以达到要求。

别怕。昨天，谷歌发布了新一代移动架构MobileNetV2。

这是一种为移动设备设计的通用计算机视觉神经网络，支持图像分类和检测等任务，结果比上一代模型有显著提升。在个人移动设备上运行深度网络能时能提升体验，让用户能在任何时间和地点进行访问，在安全、隐私和能耗上还有额外优势。

新特性

基于去年发布的MobileNetV1的构建思路，新模型将深度可分离的卷积作为有效构建模块。在架构上，MobileNetV2引入了两个新特性：一是层与层之间的线性瓶颈（linear bottlenecks），二是瓶颈之间的快捷连接。基本结构如下图所示：

△ MobileNetV2架构概览 | 蓝色块表示复合卷积架构模块

性能增强

总体来说，MobileNetV2能以更快的速度达到与V1相同的精度。

尤其值得注意的是，新模型减少了一半运算，所需参数减少30%，在谷歌Pixel手机上速度比MobileNetV1快了30-40%，同时实现了更高的精度。

△ MobileNetV2提高了速度(降低了延迟)并增加了ImageNet的Top 1的精度

在对象检测和分割任务中，MobileNetV2是种非常有效的特征提取器。例如当与新引入的SSDLite配对时，达到与MobileNetV1相同准确度时速度快了35%。目前研究人员已经在Tensorflow对象检测API下开放了这个模型。

为了实现设备上的语义分割，研究人员将MobileNetV2作为一个特征提取器，简化了用移动语义分割模型DeepLabv3构建新的Mobile DeepLabv3的过程。

在语义分割基准上，PASCAL VOC 2012结果模型达到与使用MobileNetV1作为特征提取器相似的性能，但所需参数减少了5.3倍，所需运算减少了5.2倍。

总体来说，MobileNetV2提供了一个高效的移动导向模型，可作为许多视觉识别任务的基础。

目前，MobileNetV2作为TensorFlow-Slim图像分类库的一部分发布，用户也可在Colaboratory中开始探索使用。

此外，MobileNetV2也可作为TF-Hub上的模块，能在GitHub中找到预先训练的检查点。

官方博客介绍：https://research.googleblog.com/2018/04/mobilenetv2-next-generation-of-on.html

相关论文：https://128.84.21.199/abs/1801.04381

代码地址：https://github.com/tensorflow/models/tree/master/research/slim/nets/mobilenet

TensorFlow-Slim图像分类库：https://github.com/tensorflow/models/blob/master/research/slim/README.md

Colaboratory地址：https://colab.research.google.com/github/tensorflow/models/blob/master/research/slim/nets/mobilenet/mobilenet_example.ipynb

— 完 —