MobileNet 的另一个使用情景是压缩具有未知或复杂训练程序的大型系统。在人脸属性分类（face attribute classification）任务中，我们证明了 MobileNet 与 distillation 间的协同关系，这是深度网络的一种知识迁移技术。我们试图简化一个具有7500万超参数和16亿 Mult-Adds 的大型人脸属性分类器。该分类器在一个类似 YFCC100M 的多属性数据集（mult-attribute dataset）上训练。

　　我们使用 MobileNet 架构提取一个人脸属性分类器（face attribute classifier）。distillation 是通过训练分类器模拟一个更大的模型的输出，而非人工标注标签工作，因此能够从大型（可能是无限大）未标记数据集训练。结合 distillation 的可扩展性和 MobileNet 的简约参数化，终端系统不仅不需要正则化，而且表现出更好的性能，如表12所示。

　　任务4：物体检测

　　MobileNet 也可以作为一个有效的基网络（base network）部署在现代物体检测系统上。基于最近在2016 COCO 挑战赛上获胜的工作，我们比较了在 COCO 数据上训练的 MobileNet 进行物体检测的结果。表13列出了在 Faster-RCNN 和 SSD 框架下，MobileNet，VGG 以及 Inception V2 的比较。实验中，SSD 以300的输入分辨率（SSD 300）与分别是300和600输入分辨率的 Faster-RCNN（FasterRCNN 300, Faster-RCNN 600）进行比较。在两个框架下，MobileNet 实现了不输其他两个网络的结果，而且计算的复杂性和模型大小相对更小。

　　任务5：Face Embeddings

　　FaceNet 模型是目前 state-of-the-art 的人脸识别模型，它基于 triplet loss 建 face Embedding。为了搭建移动设备上的 FaceNet 模型，通过最小化训练数据上 Facenet 和 MobileNet 输出的方差，我们使用 distillation 来训练。表14列出了非常小的 MobileNet 模型的结果。

　　结论

　　我们提出了一个基于 depthwise separable convolutions 的新模型架构，称为 MobileNet。我们分析了一些高效模型的重要设计选择。然后，我们演示了如何使用 width multiplier 和 resolution multiplier，通过权衡大小、延迟时间以及精度，来构建规模更小、速度更快的 MobileNet。我们将不同的 MobileNet 与一些流行的模型进行比较，展示了 MobileNet 在大小、速度和精度上均具有优势。最后，我们通过一系列任务证实了 MobileNet 的广泛有效性。为了该模型更多的被采用和研究，下一步我们计划在 TensorFlow 释放我们的模型。

新智元招聘

职位：客户经理

　　职位年薪：12 - 25万（工资+奖金）

　　工作地点：北京-海淀区

　　所属部门：客户部

　　汇报对象：客户总监

　　工作年限：3 年

　　语 言：英语 + 普通话

　　学历要求：全日制统招本科

　　职位描述：

精准把握客户需求和公司品牌定位，策划撰写合作方案；

思维活跃、富有创意，文字驾驭能力强，熟练使用PPT，具有良好的视觉欣赏及表现能力，PS 能力优秀者最佳；

热情开朗，擅长人际交往，良好的沟通和协作能力，具有团队精神；

优秀的活动筹备与执行能力，较强的抗压能力和应变能力，适应高强度工作；

有4A、公关公司工作经历优先；

对高科技尤其是人工智能领域有强烈兴趣者加分。

　　岗位职责：

　　参与、管理、跟进上级指派的项目进展，确保计划落实。制定、参与或协助上层执行相关的政策和制度。定期向公司提供准确的市场资讯及所属客户信息，分析客户需求，维护与指定公司关键顾客的关系，积极寻求机会发展新的业务。建立并管理客户数据库，跟踪分析相关信息。

　　应聘邮箱：[email protected]

　　HR微信：13552313024