1、MobileNet家族概览：从V1到V3的演进之路，以及为什么嵌入式设备首选MobileNet
大家好，我是你们的老朋友。今天咱们正式开讲《MobileNet在嵌入式设备上的移植与调优实战》的第一章。
说实话，做嵌入式AI这几年，我接触最多的轻量级网络就是MobileNet。从V1到V3，我几乎每个版本都在实际项目里摸爬滚打过。今天就跟大家聊聊，这个家族到底是怎么演进的，以及——为什么嵌入式设备首选它。
1.1 为什么嵌入式设备需要“轻量级”网络？
先问大家一个问题：你手头的嵌入式设备，算力有多少？
我见过很多刚入行的朋友，上来就想把ResNet-152塞进STM32里。结果呢？内存爆了，推理时间几十秒，根本没法用。
嵌入式设备的痛点很明显：
- 算力有限：没有GPU，只有CPU或者NPU，主频通常几百MHz
- 内存紧张：RAM可能只有几MB到几十MB
- 功耗敏感：电池供电，不能一直跑满
- 实时性要求：比如目标检测，一秒钟要处理30帧
所以，我们需要一个“小而快”的网络。MobileNet就是为此而生的。
核心观点：MobileNet的设计哲学，就是用更少的计算量，换取可接受的精度。它不是追求极致准确率，而是在“算力-精度-速度”三角中找到一个最佳平衡点。
1.2 MobileNet V1：深度可分离卷积的“开山之作”
2017年，Google团队提出了MobileNet V1。我记得当时看到这篇论文，第一反应是：原来卷积还能这么玩？
V1的核心创新，就是深度可分离卷积（Depthwise Separable Convolution）。
咱们来拆解一下：
- 标准卷积：一个卷积核同时处理所有通道，计算量 = 输入通道数 × 输出通道数 × 卷积核大小 × 特征图大小
- 深度可分离卷积：分成两步走
- 深度卷积：每个通道单独用一个卷积核处理
- 逐点卷积：用1×1卷积把通道信息融合起来
你想想看，这样一拆，计算量能降多少？
举个例子：输入是112×112×32，输出是112×112×64，卷积核大小3×3。
- 标准卷积计算量：32 × 64 × 3 × 3 × 112 × 112 ≈ 2.3亿次
- 深度可分离卷积计算量：32 × 3 × 3 × 112 × 112 + 32 × 64 × 1 × 1 × 112 × 112 ≈ 0.29亿次
计算量直接降到原来的1/8左右！
我的经验：在实际项目中，V1的推理速度确实快，但精度损失也比较明显。比如在ImageNet上，V1的Top-1准确率大约70.6%，比标准卷积低了3-5个百分点。不过对于很多嵌入式场景，这个精度已经够用了。
1.3 MobileNet V2：倒残差与线性瓶颈
V1虽然快，但有个问题：深度卷积的参数量太少，表达能力有限。V2在2018年提出，主要解决了这个问题。
V2引入了两个关键设计：
- 倒残差结构（Inverted Residual）：先升维，再深度卷积，最后降维。跟ResNet的残差结构正好相反。
- 线性瓶颈（Linear Bottleneck）：在降维后的层去掉ReLU激活函数，避免信息丢失。
为什么会这样设计？
我个人的理解是：低维空间里，ReLU会“杀死”太多信息。你想想看，ReLU会把负数全部置零，如果特征维度本来就低，那信息损失就非常严重。所以V2在瓶颈层用线性激活，保留更多信息。
V2的效果怎么样？
| 模型 | 计算量（MAdd） | 参数量 | Top-1准确率 |
|---|---|---|---|
| MobileNet V1 | 569M | 4.2M | 70.6% |
| MobileNet V2 | 300M | 3.4M | 72.0% |
你看，V2的计算量更小，参数量更少，准确率反而更高了。这就是架构设计的魅力。
避坑指南：我曾经在移植V2到某个低端NPU时，发现倒残差结构中的升维操作导致中间特征图内存暴增。如果你的设备内存紧张，建议先评估一下中间层的峰值内存占用。
1.4 MobileNet V3：NAS搜索与硬件感知
到了V3（2019年），Google开始用神经网络架构搜索（NAS）来设计网络。说白了，就是让机器自己去试，找到最优的结构。
V3的主要改进：
- NAS搜索：自动搜索最优的层结构和通道数
- 硬件感知：针对不同硬件（CPU、GPU、NPU）优化
- 新的激活函数：h-swish，计算更高效
- SE模块：Squeeze-and-Excitation，注意力机制，提升精度
V3有两个版本：
- V3-Large：适合算力稍强的设备，准确率接近ResNet-50
- V3-Small：适合资源极度受限的设备，比如智能手表
我记得有个项目，需要在Cortex-M4上做人脸检测。V3-Small的模型大小只有2.5MB，推理一次只要50ms，效果出奇的好。
1.5 为什么嵌入式设备首选MobileNet？
说了这么多，咱们总结一下。我个人认为，MobileNet有这几个不可替代的优势：
- 计算量小：深度可分离卷积把计算量降到极致
- 模型小：参数量少，适合存储空间有限的设备
- 推理快：在CPU上也能跑出不错的帧率
- 生态好：TensorFlow、PyTorch、ONNX、TFLite都原生支持
- 版本丰富：从V1到V3，从Large到Small，总有一款适合你
一句话总结：如果你要在嵌入式设备上做视觉任务，又不想在模型选型上纠结太久，选MobileNet准没错。它可能不是最准的，但一定是最稳的。
1.6 本章小结
这一章我们快速过了一遍MobileNet家族的演进：
- V1：深度可分离卷积，奠定轻量级基础
- V2：倒残差+线性瓶颈，精度提升
- V3：NAS搜索+硬件感知，极致优化
下一章，我会带大家动手搭建MobileNet V2的完整网络结构，并讲解如何在嵌入式设备上做前向推理。到时候咱们再细聊。
嗯，今天就到这里。有问题欢迎在评论区留言，咱们下期见。
课后思考：MobileNet V2的倒残差结构，为什么先升维再降维？如果反过来，先降维再升维，会有什么问题？