LLM - 详解和对比 ResNet 和 DenseNet 和 MobileNet

已于 2025-08-25 20:32:44 修改
阅读量1.2w 收藏 54
点赞数 9
CC 4.0 BY-SA版权
分类专栏： 大模型 (LLM) 文章标签： 算法 深度学习
于 2021-11-22 16:52:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/caroline_wendy/article/details/121475270
本文详细对比了ResNet50、DenseNet121和MobileNet系列（v1、v2、v3）的网络结构与特点。ResNet利用残差学习解决深层网络的梯度消失问题；DenseNet通过密集连接提高特征传递效率；MobileNet则采用Depthwise Separable卷积实现轻量化，v2引入Linear Bottleneck和Inverted Residuals，v3则利用NAS和h-swish/sigmoid优化网络结构，提升性能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

经典的Backbone，如ResNet50、DenseNet121、MobileNetV2，三类框架，参考 Keras Applications ：

ResNet50 DenseNet121 MobileNetV2
时间 CVPR 2015 CVPR 2017 CVPR 2018
模型 98M 33M 14M
Top1(ImageNet) 0.749 0.750 0.713
参数 25,636,712(约2500w) 8,062,504(约800w) 3,538,984(约350w)
推理速度CPU 58.20ms 77.14ms 25.90ms
推理速度GPU
了解本专栏 订阅专栏 解锁全文 超级会员免费看
RetinaNet分类回归层探讨
AI天才研究院
07-30 469
RetinaNet分类回归层探讨 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词： 目标检测，RetinaNet，分类回归层，深度学习，Focal Loss，锚框 1
一切皆是映射：卷积神经网络(CNNs)在图像处理中的应用
AI天才研究院
06-28 1311
卷积神经网络（Convolutional Neural Networks，简称CNNs）是深度学习领域中最成功的模型之一，特别是在图像处理任务中表现出色。本文旨在全面介绍CNNs的理论基础、核心组件和实际应用，帮助读者深入理解这一强大的图像处理工具。我们将从基本概念出发，逐步深入到复杂的网络结构和算法实现，最终通过实际的代码案例，展示CNNs在图像分类、目标检测等任务中的应用。背景介绍：阐述文章的目的、范围和预期读者核心概念与联系：介绍CNNs的基本概念和相关理论。
CVPR'23部署 | MobileNetv2也能超越ResNet家族！
CV_Autobot的博客
04-08 944
作者|小书童 编辑| 集智书童点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【模型部署】技术交流群后台回复【模型部署工程】获取基于TensorRT的分类、检测任务的部署源码！训练后量化（PTQ）由于其数据隐私性和低计算成本，被广泛认为是实际中最有效的压缩方法之一。作者认为PTQ方法中存在一个被忽视的振荡问题。在本文中主动探索并提出了一个理论证明，来...
ResNet & MobileNetV1 & MobileNetV2设计对比分析
Treasure Ashes
07-02 2413
MobileNetV1论文地址：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications MobileNetV2论文地址：MobileNetV2: Inverted Residuals and Linear Bottlenecks ResNet论文地址：Deep Residual Learning for Image Recognition 关于这些网络结构的介绍已经有很多了： MobileN
【限时免费】 巅峰对决：ResNet-18 vs MobileNetV2，谁是最佳选择？
最新发布
gitblog_02212的博客
07-25 348
巅峰对决：ResNet-18 vs MobileNetV2，谁是最佳选择？ 【免费下载链接】resnet-18 项目地址: https://gitcode.com/mirrors/Microsoft/resnet-18 ...
[卷积神经网络]基干网络之ResNet、MobileNet
就随便写写....
02-23 2444
详解ResNet和MobileNet V1，V2
CV（MobileNet，ResNet，FPN）网络参数量比较
qq_24263553的博客
07-01 5501
MobileNet：：5,347,520 MobileNet+fpn:13,344,960 ResNet:23,561,152 ResNet+fpn:31,558,592 这里的MobileNet我为了和ResNet拉到一齐，在最后又加了一层CONV2D,将通道数提升到2048dim，在使用fpn最后输出通道数256dim，所以参数量会比原始MobileNet会多一些，原始MobileNet参数量大概在300多万，相比于两三千万的resnet，真的很轻量级，方便在移动端有更好的体验。 大模型有大模型的好处，
resnet和MobileNet
ffllxx123的博客
07-11 1661
无
三大模型对比：ResNet vs MobileNetV3 vs EfficientNet
lf_1234的博客
03-31 1413
ResNet 稳、MobileNetV3 快、EfficientNet 准！你可以根据项目的需求和设备资源做选择。
ShuffleNet原理与代码实例讲解
AI天才研究院
07-07 1446
随着深度学习在计算机视觉领域的快速发展，卷积神经网络（CNN）已成为图像分类、目标检测等任务的主要解决方案。然而，随着模型复杂度的增加，传统CNN模型在计算资源有限的移动设备上的部署变得越来越困难。为了解决这个问题，研究人员开始关注如何设计轻量级但高效的神经网络模型。在这一背景下，ShuffleNet应运而生。ShuffleNet是由Face++团队在2017年提出的一种高效的轻量级卷积神经网络架构。
从零开始大模型开发与微调：卷积神经网络的原理
AI天才研究院
09-24 1121
从零开始大模型开发与微调：卷积神经网络的原理 关键词： 卷积神经网络(CNN) 深度学习 图像识别 自动特征提取 参数共享 1. 背景介绍
pytorch resnet 152 模型参数数据
12-29
pytorch resnet 152 模型参数数据 pytorch resnet 152 模型参数数据 pytorch resnet 152 模型参数数据 pytorch resnet 152 模型参数数据 pytorch resnet 152 模型参数数据 pytorch resnet 152 模型参数数据
mobilenet + resnet
qq_44874691的博客
02-07 1281
import torch import torch.nn as nn import torchvision import numpy as np print("PyTorch Version: ",torch.__version__) print("Torchvision Version: ",torchvision.__version__) __all__ = ['ResNet50', 'ResNet101','ResNet152'] def Conv1(in_planes, places,
MobileNetV2 和 V1， V3和ResNet
It is me 的博客
07-09 2633
MobileNet 由谷歌在 2017 年提出，是一款专注于在移动设备和嵌入式设备上的轻量级CNN神经网络，并迅速衍生了 v1 v2 v3 三个版本；相比于传统的 CNN 网络，在准确率小幅降低的前提下，大大减小模型参数和运算量。 1MobileNetV2 和 V1之间有啥不同？ 主要是两点： Depth-wise 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； 最后不采用Relu，而是Linear，目的是防止Relu破坏特征。 ...
计算机视觉主干模型VGG16、MobileNetV2、ResNet50 pytorch版
qq_35732321的博客
08-27 3655
MobileNetV2在MobileNetV1的基础上，增加Inverted resblock模块儿。Inverted体现在对输入首先利用1x1卷积进行升维，然后利用3x3深度可分离卷积进行特征提取，然后再利用1x1卷积降维。resblock体现在输入和上一步输出相加。2 . VGG16代码。......
mobilenet与resnet对比
热门推荐
AI程序媛的博客
10-09 1万+
参考知乎专栏文章：https://zhuanlan.zhihu.com/p/33075914
什么？不会创新？那就看这几个网络是如何创新的！轻量级网络-ResNet、MobileNet、MobileNetv2、ResNeXt、ShuffleNet v1。
wzm15939943783的博客
12-04 1116
a、b、c它们在数学计算上完全等价，只是三种不同的方式而已，（b）中的concatenate就是连接的意思，上一层每一个分组的输出通道数都是4，然后把他们简单连接起来，32组，那就变成了一个输出通道数是128的feature map。正常的卷积就是每个输入通道都有一个对应的卷积核，这些卷积核在所有输入通道上进行相乘相加，滑动窗口操作。对于蓝色框来说，就是正常的卷积-激活-卷积的操作，残差连接就是让操作之前的图和你卷积之后的图进行相加，再激活输出，这就让网络有一部分输出是跳跃了部分的卷积层。
卷积神经网络中各个模型结构的优劣对比(Alexnet,VGGNet,ResNet,InceptionNet,MobileNet)
丁磊_ml的博客
03-03 6897
轻量级深度学习网络(二):详解谷歌轻量级网络MobileNet-v2
chenyuping333的博客
08-13 1950
0、论文地址   V2 主要引入了两个改动：Linear Bottleneck 和 Inverted Residual Blocks。下面让我们通过对比 V2 与 V1 和 ResNet 结构，来认识这两个改动背后的动机和细节。 1. 对比 MobileNet V1 与 V2 的微结   相同点 都采用 Depth-wise (DW) 卷积搭配 Point-wise (PW) 卷积...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ManonLegrand

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值