目录
1、回忆v1，v2
V1：引入了深度可分离网络（DW+PW）
V2：引入了倒残差结构（bottleneck）
2、V3的网络特点
1、更新了block（beck），在V2基础上进行了简单改动：
引入了SE模块（Squeeze-and-excitation），对于SE模块，不再使用sigmoid，而是采用ReLU6(x + 3) / 6作为近似（h-sigmoid）
使用hard-swish激活函数代替ReLU6
2、使用了NAS（神经架构搜索）搜索参数
3、重新设计了耗时层结构
4、扩展层使用的滤波器数量不同（使用NetAdapt算法获得最佳数量）
5、瓶颈层输出的通道数量不同（使用NetAdapt算法获得最佳数量）
6、修改了MobileNetV2后端输出head
3、详细解释
网络的整体结构：
对于第一点：引入SE模块：
pool：这里是平均池化1*1，FC1这里将通道数减小为1/4，后接一个ReLU函数，FC2将通道数变为原来一样，后接h-sigmoid函数，得到的权重与原来的特征矩阵相乘得到新的特征矩阵。
h-sigmoid函数：
h-swish函数：
对于第三点、重新设计耗时层结构：减少第一个卷积层的卷积核个数（32->16）
MobileNet v1和v2都从具有32个滤波器的常规3×3卷积层开始，修改头部卷积核channel数量，mobilenet v2中使用的是32 x 3 x 3，作者发现，其实32可以再降低一点，所以这里作者改成了16，在保证了精度的前提下，降低了3ms的速度。然而实验表明，这是一个相对耗时的层，只要16个滤波器就足够完成对224 x 224特征图的滤波。虽然这样并没有节省很多参数，但确实可以提高速度。
精简Last stage：准确率没有发生变化，节省了7ms（11%）
版权声明：本文为qq_53029963原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。