mobilenetv3模型的总体架构图

### MobileNetV3 模型整体架构 MobileNetV3 的总体架构是一种基于深度可分离卷积（Depthwise Separable Convolution）的轻量化神经网络结构，旨在提高计算效率的同时保持较高的精度。该模型主要分为两个版本：Large 和 Small，分别适用于高资源设备和低资源设备。 #### 1. 输入层 输入数据通常经过预处理后送入网络，常见的输入尺寸为 \(224 \times 224\) 或其他适合移动端应用的小尺寸图像[^2]。 #### 2. 初始卷积层 初始阶段采用标准卷积操作，提取基础特征。这一部分通常是一个 \(3 \times 3\) 卷积核，步幅为 2，通道数固定为 16。 #### 3. Inverted Residual Bottleneck Blocks (IRB Blocks) 这是 MobileNetV3 的核心组成部分，由多个堆叠的 IRB 块构成。每个 IRB 块的主要特点包括： - **Pointwise Expansion**: 使用 \(1 \times 1\) 卷积扩展通道数量。 - **Depthwise Convolution**: 对每个通道单独进行卷积运算，减少计算量。 - **Squeeze-and-Excitation (SE) Module**: 可选组件，在某些块中加入 SE 模块以增强特征表达能力[^3]。 - **Non-linearity Activation Function**: 引入 Hard-Swish 函数作为激活函数，相比传统 ReLU 更加高效。 具体来说，这些块的数量和配置通过 Neural Architecture Search (NAS) 自动化工具进行了优化，从而实现了性能与效率的最佳平衡。 #### 4. 输出过渡层 在最后一个 IRB 块之后，会有一个额外的 \(1 \times 1\) 卷积层来调整通道维度，并进一步融合高层语义信息。 #### 5. Global Average Pooling Layer 全局平均池化层将空间维度压缩至 \(1 \times 1\)，仅保留每张特征图上的统计特性。 #### 6. Fully Connected Layer & Classification Head 最终连接全连接层完成分类任务。对于 Large 版本，还会引入 Dropout 层防止过拟合；而对于 Small 版本，则简化了这部分设计以适应更低功耗需求场景。 以下是 MobileNetV3 中典型的 IRB Block 示意图实现伪代码： ```python def mobilenet_v3_block(input_tensor, filters, kernel_size=3, stride=1, use_se=False): x = tf.keras.layers.Conv2D(filters=filters * expansion_factor, kernel_size=(1, 1), strides=(1, 1), padding='same', activation=None)(input_tensor) x = tf.keras.layers.BatchNormalization()(x) x = hard_swish(x) # Customized non-linear function x = tf.keras.layers.DepthwiseConv2D(kernel_size=kernel_size, strides=stride, padding='same')(x) x = tf.keras.layers.BatchNormalization()(x) if use_se: x = se_module(x) # Squeeze and Excite module implementation x = hard_swish(x) x = tf.keras.layers.Conv2D(filters=filters, kernel_size=(1, 1), strides=(1, 1), padding='same', activation=None)(x) x = tf.keras.layers.Add()([input_tensor, x]) if input_tensor.shape[-1] == filters else x return x ``` 上述代码片段展示了如何构建单个 IRB 块，其中 `hard_swish` 是一种高效的非线性激活函数。 --- ###