MobileNet_V2参数量

### MobileNet_V2 的参数量分析

MobileNet_V2 是一种高效的卷积神经网络，专为移动和嵌入式视觉应用设计。该模型通过引入倒残差结构（Inverted Residuals）和线性瓶颈（Linear Bottlenecks），显著减少了参数数量并提高了效率。

#### 参数量减少的原因

MobileNet_V2 使用深度可分离卷积替代传统卷积操作，从而大幅降低了计算复杂度和参数量。具体来说：

- **深度可分离卷积**：将标准卷积分解成逐通道卷积（Depthwise Convolution）和逐点卷积（Pointwise Convolution）。这种分解方式使得每层的参数量大大降低[^3]。

- **倒残差结构**：在每个残差连接之前扩展特征图维度，在之后再压缩回去。这种方式不仅保持了信息流动的有效性，还进一步控制了总的参数数目[^5]。

#### 具体参数统计

根据已有的研究数据，MobileNet_V2 的总参数量大约为 3.47M 左右。这一数值相比之前的版本有了明显的下降，同时性能却有所提升。对于更具体的配置，如不同的输入尺寸或宽度乘子调整后的参数变化情况，则需参照实际实现中的定义[^1]。

import torch.nn as nn

class InvertedResidual(nn.Module):
    def __init__(self, inp, oup, stride, expand_ratio):
        super(InvertedResidual, self).__init__()
        hidden_dim = round(inp * expand_ratio)
        
        layers = []
        if expand_ratio != 1:
            # pw
            layers.append(ConvBNReLU(inp, hidden_dim, kernel_size=1))
        layers.extend([
            # dw
            ConvBNReLU(hidden_dim, hidden_dim, stride=stride, groups=hidden_dim),
            # pw-linear
            nn.Conv2d(hidden_dim, oup, 1, 1, 0, bias=False),
            nn.BatchNorm2d(oup),
        ])
        self.conv = nn.Sequential(*layers)

def count_parameters(model):
    return sum(p.numel() for p in model.parameters())

mobilenet_v2 = torchvision.models.mobilenet_v2(pretrained=True)
print(f'MobileNet_V2 parameter count: {count_parameters(mobilenet_v2)/1e6:.2f} M')