移動神經網路 是什麼？
Mobile Neural Networks：移動神經網路 的完整解釋
專為資源受限的行動設備（手機、平板、邊緣設備）設計的輕量級神經網路，確保低延遲、低功耗的推理。
核心概念
移動神經網路（Mobile Neural Networks）是應對「AI 民主化」挑戰的關鍵技術。現代深度學習模型龐大無比，但智能手機、物聯網設備的計算能力有限。移動神經網路通過精妙的架構設計，在 50-500MB 的內存和毫秒級延遲的約束下，實現相當的智能。
移動神經網路的設計哲學與桌面 / 雲端模型根本不同。傳統模型追求精度，增加層數、通道數、參數量；移動神經網路在保持精度的前提下最小化計算和內存。這要求深層次重新設計，不是簡單縮小網路。
On-device AI 帶來的好處是：首先，隱私保護，用戶數據無需上傳雲端；其次，低延遲，本地推理無網絡延遲；再次，離線運行，無網絡連接仍可工作；最後，降低成本，無需支付雲計算費用。
運作原理
移動神經網路的核心技術創新包括：
1. 深度可分離卷積（Depthwise Separable Convolution）
將標準卷積分解為兩步：首先逐通道卷積（depthwise），每個通道用獨立濾波器；其次 1×1 卷積（pointwise）進行通道融合。相比標準卷積，計算量減至 1/8-1/9，參數量同樣大幅減少。這是 MobileNet 的核心創新，後來被廣泛採用。
2. 倒瓶頸結構（Inverted Bottleneck）
MobileNet v2 引入的結構，先用 1×1 卷積擴展維度（提升非線性表達），再進行深度卷積，最後用 1×1 卷積壓縮回低維。這與傳統瓶頸結構（先壓縮後擴展）相反，更適合移動硬體。結構中跳連接允許梯度直接流動，訓練更穩定。
3. 通道分組（Group Convolution）
將輸入通道分為多組，每組卷積獨立進行，再合併輸出。計算量與組數成反比，減少了通道間的完全互作用，但某些設計允許跳過不同組以保持信息流通。
4. 神經架構搜索（NAS）優化
EfficientNet 等採用 NAS 為不同計算預算自動設計架構，發現最優的層深度、寬度、解析度組合。相比手工設計，NAS 發現的架構更平衡。
5. 量化和修剪
移動網路常配合 8 位量化和結構化修剪進一步優化，進一步減少 50-70% 的模型大小和計算量。
實際應用
移動神經網路已融入日常生活。蘋果 iPhone 內建的人臉識別、物體檢測、圖像分割等功能均使用移動網路。Google Pixel 的計算攝影、即時翻譯、語音識別都依賴移動模型。
微信、支付寶等應用使用移動網路進行人臉支付和身份驗證。手機相機的夜景模式、人像模式等均基於移動神經網路。邊緣 AI 設備如監控攝像頭、智能家居設備、自動駕駛感知芯片都大量採用移動網路。
在開發中國家和地區，低端手機（1-2GB 內存、低端 CPU）需要移動網路才能運行本地 AI 應用。醫療診斷設備在資源極限的環境下依賴移動網路。
常見誤區
許多人誤以為移動神經網路質量低於桌面版本，但實際上精心設計的移動網路在相同計算預算下往往優於簡單的大網路縮小版。MobileNet v3 的精度相當於 ResNet-50，但計算量和參數量僅為其 1%。
另一個誤區是認為所有移動應用都可以用同一個移動網路。實際上，不同應用對延遲、功耗、精度的要求不同。實時相機應用需要低延遲（< 50ms），後台監控可容許更高延遲。功耗敏感的應用（健康監測）需要額外優化。應根據具體應用選擇或微調模型。
此外，「移動」不只指手機，還包括邊緣設備、IoT、車載設備等。不同硬體對計算的加速支持不同（GPU、NPU、DSP），最優模型需針對目標硬體設計。
與相關技術的比較
- 與雲端深度學習：移動網路為邊界計算優化，雲端模型為中央計算優化
- 與高效神經網路：移動網路是高效神經網路的特例，針對移動硬體特化
- 與邊緣計算：邊緣計算是部署框架，移動網路是其核心模型
- 與知識蒸餾：移動網路開發往往使用蒸餾來壓縮，兩者相輔相成
- 與硬體加速：移動芯片支持特定操作的加速（深度卷積、1×1 卷積），移動網路架構充分利用