mobilenetv4_hybrid_large.e600_r384_in1k

### MobilenetV4 Hybrid Large 模型架构

MobilenetV4 Hybrid Large (e600 r384 in1k) 是一种专为移动设备设计的高效神经网络模型。该模型继承了MobileNet系列的核心设计理念，在保持高精度的同时显著降低了计算复杂度。

#### 架构特点
- **Universal Inverted Bottleneck (UIB)**：作为核心组件之一，UIB结构通过调整输入通道数与输出通道数的比例来提高计算资源利用率[^1]。
- **Mobile Multi-scale Quality Attention (MQA)**：此模块能够捕捉不同尺度下的特征信息并增强重要区域的关注程度，从而改善整体识别效果[^2]。

具体到Hybrid Large版本(e600 r384)，其主要参数配置如下：
- 扩展比例(expansion ratio): 6.0 (`e600`)
- 输入分辨率(input resolution): 384x384 (`r384`)

这些设置旨在提供更强大的表达能力而不牺牲过多运行速度。

import torch.nn as nn

class UIB(nn.Module):
    def __init__(self, inp, oup, stride=1, expand_ratio=6):
        super(UIB, self).__init__()
        hidden_dim = round(inp * expand_ratio)
        
        layers = [
            # pw
            nn.Conv2d(inp, hidden_dim, kernel_size=1),
            ...
        ]
    
    ...

def mobilenet_v4_hybrid_large():
    cfgs = [
        # t, c, n, s
        [6 , 96 , 1, 2],
        [6 , 144, 2, 2],
        ...
    ]

    model = MobileNet(cfgs, num_classes=1000)
    return model

### 训练方法

为了使MobilenetV4 Hybrid Large达到最佳性能，采用了多种先进的训练策略：

- 使用优化后的Neural Architecture Search (NAS)算法自动搜索最适合目标硬件的最佳架构组合；
- 应用了新型的知识蒸馏技术，利用更大更强力教师模型指导学生模型的学习过程，有效提升了最终模型的表现水平；

此外，还特别针对ImageNet数据集进行了充分预训练(`in1k`)，确保模型具备良好的泛化能力和初始权重初始化质量。

### 预训练权重获取方式

官方通常会发布经过精心调校过的预训练模型文件供研究者下载使用。对于MobilenetV4 Hybrid Large而言，建议访问原始论文作者维护的相关仓库页面或知名开源社区平台（如GitHub），从中寻找对应版本的checkpoint链接进行下载。