一句话导读
专为手机等移动端设计的轻量高效神经网络
论文信息
| 英文原名 | MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications |
| 中文常用名 | MobileNet（移动端轻量网络） |
| 作者 | Howard, Zhu, Chen, et al. |
| 发表年份 | 2017 |
| 出处 / 获取 | arXiv:1704.04861 |
| 所属专题 | 经典网络架构 |
本文为 AI泡泡堂 经典 AI 文献栏目收录，信息经公开渠道核验。若需引用请以原论文为准。
详细解读（中文）
一、论文背景：CNN 在服务器端性能强劲，但参数与算力远超手机/嵌入式设备承载能力。能否设计一种专门为移动端优化的轻量网络，在算力受限场景保持实用精度？
二、核心创新：MobileNet 用”深度可分离卷积（Depthwise Separable Convolution）”替代标准卷积：先对每个输入通道做单通道卷积（Depthwise，捕捉空间特征），再用 1×1 卷积融合通道（Pointwise，捕捉跨通道特征）。计算量比标准卷积降低约 8~9 倍，参数大幅减少，精度损失却很小。
三、关键技术细节：① 引入宽度乘数 α（通道缩放）与分辨率乘数 ρ（输入缩放）两个超参数，灵活权衡精度/算力；② 标准卷积计算量 ≈ Dk²·M·N·DF²，深度可分离 ≈ Dk²·M·DF² + M·N·DF²，比值约 1/N + 1/Dk²；③ 在 ImageNet 上 MobileNet-224 的 top-1 精度 70.6%，接近 VGG16 但算力仅为其约 1/30；④ 2017 年发表于 arXiv，是移动端深度学习的奠基工作。
影响与后续发展
深度可分离卷积成为轻量化网络的标配，催生了 MobileNetV2/V3、ShuffleNet、EfficientNet 等；其”分解卷积+超参数权衡”思想也被用于大模型量化、端侧部署（TFLite、ONNX Mobile）的工程实践。
查看原始论文（权威链接）
英文原文摘要（Original Abstract，节选）
MobileNets: We present a class of efficient models called MobileNets for mobile and embedded vision applications, based on a streamlined architecture using depthwise separable convolutions. We introduce two simple global hyper-parameters that efficiently trade off between latency and accuracy, and show that MobileNets achieve strong performance with significantly fewer parameters and computations.
提示：以上英文摘要为原文节选，完整论文请通过上方权威链接查看（原始论文版权归原作者/出版方所有）。