tensorflow inception和mobilenet有什么区别

最近，我一直在与tensorflow inception V3和mobileNet合作，将它们部署到Android中使用。在将inception V3的重新培训模型转换为“tflite”时，存在一些问题，因为“tflite”模型为空，但在尝试使用重新培训的MobileNet模型时，它成功地转换为“tflite”。所以基本上我有两个问题

是否可以将inception V3重新训练的模型转换为“tflite”

inception V3和MobileNet之间有什么区别

另外，我已经通过了官方文档链接，这只是暗示了mobileNet只是

---

是的，两种型号都可以转换为tflite格式。有关分步程序，请通过此链接

InceptionV3和Mobilenet之间的主要区别在于Mobilenet使用 深度可分离卷积，而Inception V3使用标准卷积。 与InceptionV3相比，这导致MobileNet中的参数数量更少。但是，这也会导致性能略有下降

在标准卷积中，滤波器对输入图像的M通道一起运行，并输出N特征映射，即输入和滤波器之间的矩阵乘法是多维的。为明确起见，将过滤器作为大小为Dk x Dk x M的立方体，然后在标准卷积中，立方体的每个元素将与输入特征矩阵中的相应元素相乘，最后相乘后，特征映射将添加到输出N特征映射

然而，在深度可分离卷积中，M单通道滤波器将在输入特征中的单个立方体上运行，一旦获得M滤波器输出，大小1 x 1 x M的点式滤波器将在其上运行，以给出N输出特征映射。这可以从下面的图中理解

为了让它更清楚，请仔细阅读。 他们有一个关于如何减少参数计数的具体例子，我只是简单地粘贴在这里