本文主要用于介绍旷世于2017年提出的一种轻型网络ShuffleNet。本笔记主要为方便初学者快速入门，以及自我回顾。

论文链接：https://arxiv.org/pdf/1707.01083

基本目录如下：

1. 摘要
2. 核心思想
3. 总结

------------------第一菇 - 摘要------------------

1.1 论文摘要

本文提出了一种计算效率极其高效的CNN架构模型，名为“ShuffleNet”，该网络是专门被设计用于那些计算资源有限的设备。新的架构采用了2种新的操作，pointwise group convolution和channel shuffle，极大的减少了计算的时间耗时，同时还保证了高的准确性！在ImageNet的图片分类实验和MS COCO的目标检测上都比MobileNet的表现要好。在一台ARM芯片的手机设备上，shuffleNet相比于AlexNet快了13倍，同时还维持了很好的正确率。

------------------第二菇 - 核心思想------------------
作者认为现有的一些先进架构比如Xception和ResNeXt正变的越来越低效，因为大量的卷积消耗了大量的计算资源，因此论文才提出来了逐点群卷积（pointwise group convolution）的概念，但是该种卷积方式也有很大的弊端，即通道之间的信息不再有连接，因此，为了克服这种弊端，作者又提出了一种混合通道（channel shuffle）的操作办法。

2.1 Channel Shuffle for Group Convolutions

熟悉卷积操作的同学，应该能理解卷积耗时的地方，因为每一次都需要对每一个通道进行卷积后再进行相加操作，而这也正是最耗时的地方，因此我们需要一种通道稀疏的连接（channel sparse connections）。因此，逐点组卷积的意思就是对输入的通道进行分组，每一个卷积核只负责其对应的输入通道，从而减少了通道之间的连接操作（By ensuring that each convolution operates only on the corresponding input channel group, group convolution significantly reduces computation cost. ）。最极端的操作，其实就是。。。一个输入通道对应一个卷积核哈哈哈（差不多类似MobileNet里提出的Depthwise Conv）。。。因此，这里有个巨大的弊端就是，通道之间的信息不能够融会贯通了，这是很致命的～如下图左1所示，

示意图.jpg

这里就有一种融合的办法啦，那我们从别的通道里面拿信息不就好啦～如上图b所示，当然这是很好的想法，但是其在操作层面，其实是比较麻烦的～因此，作者提出了一种更高效的解决办法，那就是如上右图所示的，channel shuffle operation，其具体的操作我们可以描述为，

1）假设输出为，代表group数量
2）reshape为，再转置为
3） 再展开分组

以上过程，我从网上盗了一张示意图【1】，用以加深大家的理解，

混洗通道操作示意图.jpg

至此，整一套“骚”操作已经介绍完毕了，接下来我们具体看一下每一个单元的具体架构。

2.2 ShuffleNet Unit

直接上一张原论文中的图，

单元模块架构图.jpg

图应该是画的比较直观了～其他的一些模型架构就不展开了，有兴趣的同学看原论文，写的很清晰了～主要是理解了channel shuffle的操作，其它就都很简单～（ps. 参考文献1的博主还献上了源码解析）

------------------第三菇 - 总结------------------

3.1 总结

到这里，整篇论文的核心思想已经说清楚了。本论文主要提出了一种轻型的网络架构ShuffleNet，并实验证明了该网络的可行性，为后续发展奠定了基础。

简单总结一下本文就是先罗列了一下该论文的摘要，再具体介绍了一下本文作者的思路，也简单表述了一下，自己对整个ShuffleNet网络，尤其是其中的channel shuffle操作做了细致的阐释。希望大家读完本文后能进一步加深对该论文的理解。有说的不对的地方也请大家指出，多多交流，大家一起进步～😁

参考文献：
【1】https://blog.csdn.net/u011974639/article/details/79200559