MobileNetV2
Google 提出的轻量级移动端图像分类模型，核心为深度可分离卷积与倒残差结构，参数量小、适合移动端部署
时间轴 (近 90 天)
MobileNetV2 的核心结构包括深度可分离卷积（depthwise separable convolution）和倒残差结构（inverted residual block）。
MobileNetV2 的倒残差结构先用 1×1 卷积将通道数扩张（通常扩张 6 倍），再做 depthwise 卷积，最后用 1×1 卷积压缩回低维，并在低维处做残差连接。
MobileNetV2 的第一层卷积只有 32 个卷积核，浅层通道数极少，冻结浅层省下的计算有限但损失的适应能力不小。
在 MobileNetV2 微调中，数据量越接近原始预训练分布、样本越少，冻结的比例可以越高；反之则应放开更多层参与训练。
只训练分类头（冻结全部 backbone）适合样本量在几百到几千级别、且类别与 ImageNet 语义相近的场景，但模型对域偏移的适应能力几乎为零。
冻结浅层、微调深层（保留前面的特征提取层，放开后几个倒残差块和分类头）是 MobileNetV2 微调讨论中出现频率最高的折中方案。
渐进式解冻（先冻结训练几轮让分类头收敛，再逐步解冻深层）在讨论中被认为对最终精度有正向帮助，但会拉长训练周期。
MobileNetV2 对输入分辨率敏感，改变分辨率后浅层特征的适用性会下降。
Reddit 上有开发者就 MobileNetV2 的微调与层冻结策略展开讨论，该讨论没有给出万能配置。
全部知识事实 (9)
MobileNetV2 的核心结构包括深度可分离卷积（depthwise separable convolution）和倒残差结构（inverted residual block）。
50%待验证MobileNetV2 的倒残差结构先用 1×1 卷积将通道数扩张（通常扩张 6 倍），再做 depthwise 卷积，最后用 1×1 卷积压缩回低维，并在低维处做残差连接。
50%待验证MobileNetV2 的第一层卷积只有 32 个卷积核，浅层通道数极少，冻结浅层省下的计算有限但损失的适应能力不小。
50%待验证在 MobileNetV2 微调中，数据量越接近原始预训练分布、样本越少，冻结的比例可以越高；反之则应放开更多层参与训练。
50%待验证只训练分类头（冻结全部 backbone）适合样本量在几百到几千级别、且类别与 ImageNet 语义相近的场景，但模型对域偏移的适应能力几乎为零。
50%待验证冻结浅层、微调深层（保留前面的特征提取层，放开后几个倒残差块和分类头）是 MobileNetV2 微调讨论中出现频率最高的折中方案。
50%待验证渐进式解冻（先冻结训练几轮让分类头收敛，再逐步解冻深层）在讨论中被认为对最终精度有正向帮助，但会拉长训练周期。
50%待验证MobileNetV2 对输入分辨率敏感，改变分辨率后浅层特征的适用性会下降。
50%待验证Reddit 上有开发者就 MobileNetV2 的微调与层冻结策略展开讨论，该讨论没有给出万能配置。
50%