tensorflow inception和mobilenet有什么区别

Question

最近我一直在使用 tensorflow inception V3 和 mobileNet 来部署它们以在 Android 中使用。在将 Inception V3 的重新训练模型转换为“tflite”时，存在一些问题，因为“tflite”模型是空的，但是当尝试使用重新训练的 MobileNet 模型时，它成功地转换为“tflite”。所以基本上我有两个问题

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

附言。我浏览了官方文档链接，它只暗示 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。有关分步程序，请通过此链接Convert to tflite。

InceptionV3 和 Mobilenet 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，过滤器在输入图像的 M 个通道上运行并输出 N 个特征图，即输入和过滤器之间的矩阵乘法为多维。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。

然而，在深度可分离卷积中，M 个单通道过滤器将在输入特征中的单个立方体上运行，并且一旦获得 M 个过滤器输出，一个逐点过滤器1 x 1 x M 的大小将对其进行操作以提供 N 输出特征图。这个从MobileNet paper下图可以理解。

为了更清楚，请通过DataScienceLink。 他们有一个具体的例子来说明它如何减少我在这里简单粘贴的参数数量。

4