---
tags: Plant Disease classfication
title: Personal meeting 2020/04/07
date: '07, April, 2020'
---
## 論文部分
### MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

這篇是google在2017年提出的一個輕量化網路模型，目的是希望建構一個輕量且有效的網路模型並且能夠在移動裝置、嵌入式裝置上應用。

建立出小模型的方式通常分做兩種:
1.壓縮訓練好的模型
2.直接訓練一個小型網路

MobileNets:
* 減少了參數與計算量
* 基於 depthwise separable convolutions建立
* 透過conv/s2取代傳統的Maxpool+conv

### depthwise separable convolutions
#### 參數比較
在輸出4張feature map的情況下兩者的參數差異
|傳統捲積|深度捲積|
|--|--|
|108|39|

深度捲積:每個kernal只跟一個channel進行捲積
下圖可以看出差異

**傳統捲積**
經過3x3的kernal並預設輸出通道為4
則該捲積的參數數量為4x3x3x3=108
**深度捲積**
參數量為3x3x3=27
如此得到3個feature map
在接上Pointwise Convolution將map進行組合，如下圖
這部分的參數量是1x1x3x4=12
因此在同樣輸出4張feature map的情況參數量
傳統捲積:108
深度捲積:39

### 取代Maxpool+conv
將stride改為2，使得參數量不變，計算量變為1/4(疑慮:信息遺失)

### 提出了兩個超參數(還在理解)
α:width multiplier(寬度因子)
ρ:resolution multiplier(分辨率因子)

## 實作部分
找到MIXUP的code，可以執行
目前正嘗試使用tensorflow實作

## 下週進度
* 搞懂超參數的使用方式及計算影響
* 拓展MobileNetsV2、V3的差異
* 用tensorflow做出mixup
***
### 論文連結
[MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications](https://arxiv.org/pdf/1704.04861.pdf)