MobileNet v2 论文链接：https://arxiv.org/abs/1801.04381
MobileNet v2是对MobileNet v1的改进，也是一个轻量化模型。
关于MobileNet v1的介绍，请看这篇：对MobileNet网络结构的解读
MobileNet v1遗留下的问题
1）结构问题
MobileNet v1的结构非常简单，是一个直筒结构，这种结构的性价比其实不高，后续一系列的ResNet，DenseNet等结构已经证明通过复用图像特征，使用Concat/Eltwise+等操作进行特征融合，能极大提升网络的性价比。
Concat(张量拼接)：比如26*26*128，26*26*256经过拼接（Concat）之后得到（26*26*384）
Eltwise有三个操作：product（点乘），sum（相加减）和max（取最大值），其中sum是默认操作
2）Depthwise Convolution的潜在问题
Depthwise Convolution确实是降低了计算量，而在NxN Depthwise + 1x1 Pointwise的结构在性能上也接近NxN Conv。在实际使用中发现，Depthwise的部分kernel比较容易训废掉：训练完之后发现Depthwise训出来的kernel有不少是空的。当时我们认为，Depthwise每个kernel dim相对于普通Conv要小得多，过小的kernel_dim，加上ReLU的激活影响下，使得神经元输出很容易变为0，所以学废了。ReLU对于0的输出梯度为0，所以一旦陷入0输出，就没法恢复了。我们还发现，这个问题在定点化低精度的时候会进一步放大。
MobileNet v2的创新点
1. Inverted residuals，通常的residuals block（残差块）是先经过1*1的Conv layer，把feature map的通道数"压"下来，再经过3*3Conv layer，最后经过一个1*1的Conv layer，将feature map通道数再"扩展"回去。即先"压缩"，最后"扩张"回去。
而Inverted residuals就是先"扩张"，最后"压缩"，后面会有介绍。
2. Linear bottlenecks，为了避免ReLU对特征的破坏。
MobileNet v2和v1之间的区别
主要是两点：
1. Depthwise convolution之前多了一个1*1的"扩张"层，目的是为了提升通道数，获得更多特征
2. 最后不采用ReLU，而是linear，目的是防止ReLU破坏特征
MobileNet v2的网络结构
其中： t 表示"扩张倍数"，c 表示输出通道数，n 表示重复次数，s 表示步长stride
有两点错误：
1. 第五行，也就是第7~10个bottleneck，stride = 2，分辨率应该从28降低到14，如果不是分辨率出错，那就应该是stride=1
2. 文中提到共计采用19个bottleneck，但是这里只有17个
一个bottleneck有如下三个部分组成:
stride = 1和stride = 2，在结构上稍微有点不同。在stride=2时，不采用shortcut。我们对MobileNet v1和MobileNet v2进行比较如下图：
注意：除了最后的avgpool，整个网络并没有采用pooling进行下采样，而是采用stride=2来下采样。