MobileNetV3是谷歌团队在2019年提出的一种轻量级深度神经网络架构，作为MobileNet系列的第三代模型，它在保持极低计算开销的同时显著提升了准确率。该模型的核心创新在于结合了Squeeze-and-Excitation（SE）模块与硬激活函数，并利用神经架构搜索（NAS）优化网络结构设计。 MobileNetV3分为两个版本：MobileNetV3-Large和MobileNetV3-Small，分别适用于对精度和速度有不同需求的场景。其基本构建单元为改进型瓶颈块（bottleneck block），在MobileNetV2的“倒置残差+线性瓶颈”基础上，新增了SE模块和更高效的激活函数。 SE模块被插入在深度可分离卷积之后，通过全局平均池化压缩特征图，再经全连接层进行通道加权，使网络能自适应地关注重要通道。为提升计算效率，SE模块中使用hard-sigmoid替代标准sigmoid，其计算仅依赖ReLU6和基本算术操作，大幅降低延迟。 在激活函数方面，MobileNetV3引入了hard-swish，它是swish函数的近似版本。原swish函数为x·σ(x)，而hard-swish用hard-sigmoid替代sigmoid，实现更快速的前向传播，同时保持良好的非线性表达能力。 网络结构上，MobileNetV3通过NAS自动搜索出最优配置，例如在部分瓶颈块中启用SE模块，而在其他块中省略，以平衡性能与效率。整个网络从3×3标准卷积开始，后接多个瓶颈块，最后以全局平均池化+1×1卷积+全连接层完成分类。 实验表明，MobileNetV3在ImageNet上相比MobileNetV2在相同延迟下实现了更高准确率。例如，MobileNetV3-Large在保持低计算量的同时，性能超越了所有同级别轻量级模型。此外，其在量化后仍能保持良好表现，适合部署在移动设备和边缘端。 在实现层面，代码将SE模块、卷积块（ConvBlock）和瓶颈块（Bottleneck）封装为可复用类。通过参数化宽度乘数（width multiplier）和输入分辨率，可灵活调整模型大小。最终构建的MobileNetV3-Large模型参数量约547万，与论文和PyTorch官方实现基本一致。 综上，MobileNetV3通过结构优化、高效激活函数和智能搜索，成为轻量化AI模型的典范，为移动端AI应用提供了强大支持。