超越谷歌MobileNet！华为提出端侧神经网络架构GhostNet｜已开源

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

同样精度，速度和计算量均少于此前SOTA算法。这就是华为诺亚方舟实验室提出的新型端侧神经网络架构GhostNet。

GhostNet的核心是Ghost模块，与普通卷积神经网络相比，在不更改输出特征图大小的情况下，其所需的参数总数和计算复杂度均已降低，而且即插即用。

在ImageNet分类任务中，GhostNet在各种计算复杂度级别上始终优于其他竞争对手，比如谷歌的MobileNet系列、旷视的ShuffleNet系列、IGCV3、ProxylessNAS、FBNet、MnasNet等等。

关于GhostNet的论文已经被CVPR 2020收录，模型与代码也已经在GitHub上开源。华为诺亚方舟实验室是如何做到的？我们根据作者团队的解读，一一看来。

核心理念：用更少的参数来生成更多特征图

通常情况下，为了保证模型对输入数据有全面的理解，训练好的深度神经网络中，会包含丰富甚至冗余的特征图。