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？

附言。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。然而，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 个通道一起运算并输出N 个特征图，即输入和滤波器之间的矩阵乘法是多维的。为了清楚起见，将滤波器视为大小为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，最后相乘后特征图将是添加到输出N 个特征图。

然而，在深度可分离卷积中，M 个单通道滤波器将对输入特征中的单个立方体进行操作，一旦获得M个滤波器输​​出，大小为1 x 1 x M的点式滤波器将对其进行操作以给出N 个输出特征图。这可以从MobileNet 论文的下图来理解。

为了更清楚地说明这一点，请浏览DataScienceLink。他们有一个关于如何减少参数数量的具体示例，我只是将其粘贴在这里。

4