tensorflow - TensorFlow inception 和 mobilenet 有什么区别

Question

最近我一直在使用tensorflow inception V3 和mobileNet 将它们部署在Android 中使用。将 inception V3 的重新训练模型转换为“tflite”时，存在一些问题，因为“tflite”模型为空，但当尝试使用重新训练的 MobileNet 模型时，它已成功转换为“tflite”。所以基本上我有两个问题

1. 是否可以将 inception V3 重新训练模型转换为“tflite”？
2. inception V3 和 MobileNet 有什么区别？

PS。我已经浏览了官方文档链接，该链接仅暗示 mobileNet 只是

https://www.tensorflow.org/tutorials/image_retraining#other_model_architectures

Answer 1

是的，这两个模型都可以转换为 tflite 格式。有关分步过程，请访问此链接 Convert to tflite .

InceptionV3 和 Mobilenet 之间的主要区别在于 Mobilenet 使用深度可分离卷积，而 Inception V3 使用标准卷积。与 InceptionV3 相比，这导致 MobileNet 中的参数数量更少。但是，这也会导致性能略有下降。

在标准卷积中，滤波器对输入图像的 M 个 channel 进行运算，并输出 N 个特征图，即输入和滤波器之间的矩阵乘法为多维的。为了清楚起见，将过滤器视为大小为 D_k x D_k x M 的立方体，然后在标准卷积中立方体的每个元素将与输入特征矩阵中的相应元素相乘，最后在相乘之后，特征图将被添加到输出N个特征图。

但是，在深度可分离卷积中，M 个单 channel 滤波器将在输入特征中的单个立方体上运行，一旦获得 M 个滤波器输​​出，就会得到一个点滤波器大小为 1 x 1 x M 的函数将对其进行运算，以给出 N 个输出特征图。这可以从MobileNet paper下图来理解。 .

为了更清楚地说明，请浏览 DataScienceLink 。他们有一个关于如何减少参数数量的具体示例，我只是将其粘贴到此处。

4