【北上广深杭大厂AI算法面试题】深度学习篇...MobileNet 系列网络发展与高效性分析（附代码）（二）

【北上广深杭大厂AI算法面试题】深度学习篇…MobileNet 系列网络发展与高效性分析（附代码）（二）

【北上广深杭大厂AI算法面试题】深度学习篇…MobileNet 系列网络发展与高效性分析（附代码）（二）

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/145551342

---

MobileNet 系列网络发展与高效性分析（附代码）

4. MobileNetV2（2018）

核心改进点

倒残差结构（Inverted Residual Block）

• 在 ResNet 中，残差块中通道先升维（1×1 卷积），然后降维（3×3 卷积）。
• 在 MobileNetV2 中，先升维，再降维，并使用跳跃连接（如果 stride=1）。

线性瓶颈（Linear Bottleneck）

• 通过 ReLU6 处理激活值，避免信息丢失。

MobileNetV2 代码实现

class InvertedResidual(nn.Module):
    def __init__(self, in_channels, out_channels, expansion=6, stride=1):
        super(InvertedResidual, self).__init__()
        hidden_dim = in_channels * expansion
        self.use_residual = stride == 1 and in_channels == out_channels

        self.conv = nn.Sequential(
            nn.Conv2d(in_channels, hidden_dim, kernel_size=1, bias=False),
            nn.BatchNorm2d(hidden_dim),
            nn.ReLU6(inplace=True),
            nn.Conv2d(hidden_dim, hidden_dim, kernel_size=3, stride=stride, padding=1, groups=hidden_dim, bias=False),
            nn.BatchNorm2d(hidden_dim),
            nn.ReLU6(inplace=True),
            nn.Conv2d(hidden_dim, out_channels, kernel_size=1, bias=False),
            nn.BatchNorm2d(out_channels)
        )
    
    def forward(self, x):
        if self.use_residual:
            return x + self.conv(x)
        else:
            return self.conv(x)

# 测试
x = torch.randn(1, 32, 224, 224)
model = InvertedResidual(32, 64)
y = model(x)
print(y.shape)  # (1, 64, 224, 224)

5. MobileNetV3（2019）

核心改进点

• 使用 NAS（神经架构搜索）优化结构
• 引入 SE（Squeeze-and-Excitation）注意力机制
• 改进激活函数（h-swish）

MobileNetV3 代码实现

class SqueezeExcitation(nn.Module):
    def __init__(self, in_channels, reduction=4):
        super(SqueezeExcitation, self).__init__()
        self.se = nn.Sequential(
            nn.AdaptiveAvgPool2d(1),
            nn.Conv2d(in_channels, in_channels // reduction, kernel_size=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(in_channels // reduction, in_channels, kernel_size=1),
            nn.Sigmoid()
        )   
    def forward(self, x):
        return x * self.se(x)

# 测试
x = torch.randn(1, 64, 32, 32)
model = SqueezeExcitation(64)
y = model(x)
print(y.shape)  # (1, 64, 32, 32)

6. MobileNet 为什么快？

• 深度可分离卷积（减少计算量 8~9 倍）
• 倒残差结构（高效参数复用）
• SE 注意力（减少冗余计算）
• 使用 h-swish 激活（降低计算复杂度）

7. 互联网大厂 AI 面试高频考点

• MobileNetV1-V3 的核心改进点？
• 深度可分离卷积如何减少计算量？
• 为什么 MobileNetV2 使用倒残差？
• MobileNetV3 为什么使用 SE 模块？

8. 总结

MobileNet 是 AI 面试中常考的高效 CNN 结构，掌握其核心思想和代码实现，能让你在面试中脱颖而出！