Tensorflow 为什么MobileNetV2仅在移动设备上比MobileNetV1快？

我正在研究谷歌的全新

mobilenetw2

架构

在学习期间，我在Tensorflow模型中心读过这个字符串

例如，Mobilenet V2在移动设备上比Mobilenet V1快，但在桌面GPU上稍慢

所以我的问题是,

---

这怎么可能呢？我很想知道原因。

从他们在

在第5小题：实施说明，5.1下。记忆有效推理

倒置的剩余瓶颈层允许特别的 内存高效的实现，这是非常重要的 对于移动应用程序非常重要。（还有更多文章）

据TensorFlow团队称，它经过优化，尺寸更小，也可以用作TF-Lite。据我们所知，TF Lite确实是用于移动用途的。桌面GPU上的速度要慢得多。与V1相比，V2可能有更多的conv层，如果训练需要花费更多的时间来完成，这是有意义的。目前，我们没有在移动设备上进行数据的训练和推断，因为计算速度不足也会导致功率不足

希望我能回答这个问题。

来自：

---

“然而，MobileNet V2使用了GPU固件（cuDNN库）不直接支持的深度可分离卷积。因此，在大多数实验设置中，MobileNet V2往往比ResNet18慢。请注意，同样的问题使DenseNet架构的使用不合格[12]，因为它需要在非连续张量上进行有效卷积，这在cuDNN中仍然不受支持。”

它的设计和调试可能是考虑到了移动体验。谢谢！但是，有什么确切的解释吗？？：（不可能你能读到这篇文章。这是。我已经读过这篇文章，但没有说明原因。我不是花花公子兄弟。谢谢。我真的可以理解：）但是V1也使用了深度可分卷积。@XiaXuehai，有两个因素可能导致这种情况：1）MobileNetV1有13个深度可分离卷积，而MobileNetV2有17个。2） MobileNetV1使用64/12/256/512/1024通道进行深度卷积，而MobileNetV2使用96/192/384/768/1536通道。因此，MobileNetV2在GPU上可能比V1慢。在这种情况下，由于通道减少（瓶颈），在CPU上，MobileNet V2将比V1更快。在V2中，1x1 conv中的通道数除以6。在V2中，只有深度卷积使用如此多的通道，而不是1x1 conv。