轻量级网络之ShuffleNet V2

论文：ShuffleNet V2: Practical Guidelines for Ecient CNN Architecture Design

论文链接：https://arxiv.org/abs/1807.11164

代码：

• Caffe

因项目需要跑了ShuffleNet V2，发现比resnet50足足快了60ms，识别率也能满足项目需求。看了论文，特来分享。

ShuffleNet V2主要对目前一些主流网络进行多组对比实验，并从这些对比实验中进行一定的理论分析和总结，最后得出4条关于 CNN 网络结构设计的准则，帮助设计高效的神经网络结构。下面先贴出文中观点：

2个问题：

（1）FLOPs（浮点计算量）不能作为衡量目标检测模型运行速度的标准，因为计算速度跟平台框架、硬件设备还有关；

（2）MAC(Memory access cost)也是影响模型运行速度的一大因素；

衡量模型运行速度，应采用如运行时间(speed\runtime)这样的指标。建议在GPU上，使用Batches/sec进行速度衡量；在ARM上，使用Images/sec进行衡量。

4条网络设计准则：
G1：卷积操作时，输入通道数尽量等于输出通道数（卷积核数量）可降低M