1. 重点和亮度

1.1. 分组1x1卷积（Group Pointwise Convolution）

1.1.1. 分组卷积是什么

左边是标准卷积，右边是分组卷积，与标准卷积不同（每个卷积核需要处理12个通道），分组卷积的卷积核只需要负责它那组的输入通道的卷积任务，如右边的分组卷积，卷积核处理的通道数为4而不是标准卷积那样的12。分组1x1卷积只是表示其中的卷积核尺寸为1x1而已。

1.1.2. 分组卷积优缺点

优点是降低了参数量与计算，减少内存占用，加快推断速度。

缺点也很明显，分组卷积的组和组之间是没有信息交流的，会导致类型近亲繁殖的现象，无法更好提取特征，导致性能下降。

1.2. 通道重排（Channel Shuffle）

1.2.1. 重排逻辑

原来没有通道重排的情况如a图所示，组和组之间一直没有交流，老死不相往来。通道重排是分组卷积之后，将feature map重新排列，如第一组的第一个feature map与第二、三组的按照顺序排在一起，第一组的第二个与第二、三组的第二个feature map排一起……以达成信息交流。

1.2.2. 重排操作

先reshape成g行n列矩阵，其中g为分组数，n为每组输出的feature map通道数，然后转置，最后压平。

1.3. 主要Block模块

a图是将标准bottleneck模块中的卷积改为深度可分离卷积，b图是在a的基础上，将1x1卷积改为分组1x1卷积，降维，然后通道重排，然后再接一个深度可分离卷积，然后分组1x1卷积升维，之后就不接通道重排，因为这里效果已经很好了，最后再接一个shotcut。c图是降采样模块，结果是长宽减半，通道数加倍，左边对输入进行平均池化，步长为2，右边也是先降维再升维，只是深度可分离卷积的步长为2，最后将左右两边的通道串起来。

2. 其他

2.1.分组数量及通道重排的性能影响

shuffle0.5X表示，减少卷积核的数量为shuffle1x的一半，以此类推。

从表中可以得出结论：通道重排比不通道重排的效果要好；分组数越多性能越好，而且在小网络中提升越明显，原因是小网络精度低往往是提取的feature map少，而分组数越多，卷积核也越多，提取的feature map也越多。

但是分组越多，虽然参数和计算量没有增加，但是推断速度却下降了，论文中说到的原因是内存访问和其他复杂的原因，因此权衡精度与速度，最终选择的分组数为3。

3. 参考

[1] 【精读AI论文】旷视轻量化网络ShuffleNet V1

（完）