🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
💡
手机上的卷积革命MobileNet由Google于2017年提出，专为手机等移动设备设计。它的核心是"深度可分离卷积"(Depthwise Separable Convolution)：把标准卷积拆成两步——先对每个通道单独做空间卷积(depthwise)，再用1×1卷积跨通道混合(pointwise)。这把计算量减少了8-9倍，一张256×256的图像从约300M FLOPs降到约40M FLOPs。MobileNetV2进一步引入了"倒残差结构"(Inverted Residual)：先用1×1卷积升维(而非降维)，在升维空间做卷积，再降维回去——这看似浪费计算，实则在低维空间保留残差连接更高效。这些技巧让CNN在手机上实时运行成为可能。
来源：Howard et al., "MobileNets: Efficient Convolutional Neural Networks", 2017
一句话总结
💡
MobileNet 用深度可分离卷积将标准卷积拆为逐通道和逐点两步，大幅降低计算量实现移动端高效推理。
常见误区
这些坑别踩
✗
误区 1
深度可分离卷积和标准卷积效果一样。
✓
正确理解
它大幅减少计算但有轻微精度损失，是速度-精度权衡。
✗
误区 2
MobileNet 只能用于手机。
✓
正确理解
它是轻量化通用思想，可用于边缘设备、嵌入式等多种场景。
✗
误区 3
轻量化只需减少层数。
✓
正确理解
MobileNet 通过架构创新（可分离卷积）高效降算量，非简单砍层。