MobileNet もばいるねっと

---

MobileNetとは

MobileNet は、2017年にGoogleが発表したモバイルデバイス・組み込みアプリ向けに最適化された軽量CNNアーキテクチャです。Depthwise Separable Convolution（深さ方向分離畳み込み） を核とする設計で、通常の畳み込みと比べて計算量を約8〜9分の1に削減します。

従来のCNNをスマートフォンで動かすには計算量が多すぎる問題がありました。MobileNetはこれを解決し、カメラアプリのリアルタイム推論・ARフィルター・顔認識など、デバイス上での推論（エッジAI）を実用的にしました。

現在はMobileNetV1（2017）・V2（2018）・V3（2019）とバージョンが進化しており、V3ではNeural Architecture Search（NAS）による自動設計も採用されています。

---

Depthwise Separable Convolutionの仕組み

通常の畳み込み（3×3, 64ch→128ch）:
  計算量 = 3×3×64×128 = 73,728

Depthwise Separable Convolution:
  ①Depthwise Conv（チャンネルごとに3×3畳み込み）:
    3×3×64 = 576
  ②Pointwise Conv（1×1で64→128に変換）:
    1×1×64×128 = 8,192
  合計 = 576 + 8,192 = 8,768 ← 約8.4倍削減

import torch.nn as nn

# Depthwise Separable Convolutionの実装
class DepthwiseSeparableConv(nn.Module):
    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.depthwise = nn.Conv2d(
            in_channels, in_channels,
            kernel_size=3, padding=1,
            groups=in_channels  # チャンネルごとに独立した畳み込み
        )
        self.pointwise = nn.Conv2d(in_channels, out_channels, kernel_size=1)

    def forward(self, x):
        return self.pointwise(self.depthwise(x))

---

歴史と背景

• 2017年：MobileNetV1を発表。Depthwise Separable Convolutionで軽量化
• 2018年：V2で「逆残差ブロック（Inverted Residuals）」とLinear Bottleneckを導入
• 2019年：V3でNASと「ハードスウィッシュ活性化関数」でさらに効率化
• 現在：TensorFlow Lite・Core MLなどのモバイル推論フレームワークで標準モデルとして使用

---

MobileNetの世代別比較

バージョン	主な革新	Top-1精度
V1	Depthwise Separable Conv	70.6%
V2	逆残差ブロック、Linear Bottleneck	72.0%
V3-Small	NAS、ハードスウィッシュ	67.4%
V3-Large	NAS、ハードスウィッシュ	75.2%

---

関連用語

• CNN（畳み込みニューラルネットワーク） — MobileNetが採用する基本構造
• EfficientNet — MobileNetと同じく効率重視の高精度CNN
• エッジAI — MobileNetが活躍するデバイス上推論
• 畳み込み層 — MobileNetが軽量化した中核の処理