0.怕了怕了，看网络

MobileNet-V2，谷歌，2018年提出(CVPR18)。准确率更好，模型更小。引入了：

1. Inverted Residuals
2. Linear Bottlenecks

（从论文名字就看出来了：MobileNetV2: Inverted Residuals and Linear Bottlenecks）

1.problem

将数据映射到高维空间，通过非线性层，再映射回来，会有信息损失。映射到高维的维度越高，损失越小。
如图：

由于MobileNet-V1的depthwise convolution是单通道的卷积，然后再通过ReLU会有很大的信息损失。
所以：先升维，升维后每个channel的特征图，都包含了上一层的特征图的信息。然后再ReLU，信息损失就会减小。

2.main contribution

原文：Our main contribution is a novel layer module: the inverted residual with linear bottleneck。

1. 就是将 bottleneck 的设计，换成了先升维再降维。刚好相反（inverted）。还有，特征图映射到低维时，用了一个线性的卷积。
   具体操作：
   

2. 同时，ResNet, DenseNet 等结构已经证明通过复用图像特征，使用 Concat/Eltwise+ 等操作进行融合，能极大提升网络的性价比。所以用了 resnet 这种的跨层连接。

3.architecture

convolutional blocks 结构如下：

主要解决了ReLU对于低维映射存在信息损失的问题。同时用了ResNet，DenseNet等已经证明的 Eltwise+ / Concat 很好用的跨层连接。

4.references

这两篇博客不错：博客1；博客2。可参考

5.好了，就这样吧。